Cosmos 3、8B・32Bタワーで物理AIの推論・世界生成・ロボット行動モデルまで一体統合へ進む

物理AIの難所は、言語で答えることではなく、変化する世界を予測し、シミュレーションし、行動へつなげることにある。NVIDIAは2026年6月1日のX投稿で、Cosmos 3をvision reasoning、world generation、action generationを統合するPhysical AI向けモデルとして示した。

具体的な数字はSuperとNanoの2系統だ。NVIDIAの技術ブログは、Cosmos 3 NanoとCosmos 3 SuperのチェックポイントをHugging Faceで提供し、ドメイン適応のためのpost-training scriptsをGitHubで公開すると説明している。公開資料では、Nanoは8B reasonerと8B generator、Superは32B reasonerと32B generatorの組み合わせとして語られている。元の投稿は、Cosmos 3をPhysical AI向けの完全公開omnimodelと位置づけた。

設計の中心はMixture-of-Transformersだ。自己回帰型のタワーが言語と離散的理解を担い、diffusionベースのタワーが画像、動画、音声、action trajectoryの生成を担う。NVIDIAは、VANTAGE-Bench、Physics-IQ、PAI-Bench、R-Bench、RoboLabなどで物理AIの推論・生成・政策タスクを評価したと説明する。さらに、robotics、physics simulation、spatial reasoning、human motion、driving、warehouse environmentsを対象にした6つのsynthetic data generationデータセットも示された。

次に見るべきは、公開性が実運用でどこまで効くかだ。チェックポイント、コード、レシピがあっても、必要な計算資源、ライセンス、NIM経由の配備条件が利用範囲を左右する。Cosmos 3の価値は、ロボットや自律システムで現実世界の試行回数をどれだけ減らせるかで測られる。