NVIDIA、「Cosmos 3」オープンモデル群をリリースインタラクティブ世界シミュレーション向け

NVIDIAは2026年11月5日(現地時間)、インタラクティブな世界シミュレーション向けに、同社のCosmos 3モデルファミリーの新しいオープンウェイトチェックポイント4種を発表した。これらのモデルは、マルチセンサーおよびマルチビューのドライビングシーン生成に対応し、開発者や研究者がより応答性の高い仮想世界を構築することを支援する。各モデルは160億の訓練可能パラメータを持ち、OpenMDW1.1ライセンスの下で商用および非商用利用が可能となる。

NVIDIAが今回公開したCosmos 3モデル群は、ロボティクスや自動運転といった分野における仮想環境構築のニーズに対応するよう設計されている。オープンウェイトと事後訓練のレシピが提供されることで、研究者や開発者はモデルを特定の用途に適応させ、異なる手法を比較し、さらにその改善に貢献するための共有された出発点を得ることが可能となる。

発表された4つのチェックポイントは以下の特徴を持つ。

Cosmos3-Nano-Transfer-Auto: さまざまな天候、照明、時間帯でのマルチビュー運転データ生成を目的とした双方向モデル。最大11のカメラビューからの同期ビデオとRGB-LiDARの同時生成をサポートする。
Cosmos3-Nano-Sim-Auto: 運転シミュレーション向けに同期されたカメラとLiDARの観測結果をストリーミングするバージョン。Cosmos3-Nano-Transfer-Autoの機能をストリーミング対応に拡張したものだ。
Cosmos3-Nano-Sim-Transfer: シミュレーターの制御とテキストプロンプトから写真のようにリアルなビデオを生成する。物理シミュレーターの空間制御とテキストプロンプトを組み合わせることで、カラー観測をレンダリングする。
Cosmos3-Nano-Sim-Bimanual: ロボットまたはカメラのアクションからビデオを予測する機能を提供する。特にYAMおよびAgiBotのエンボディメントに対応し、双腕ロボットのアクションに応答して環境がどのように変化するかをシミュレートする。

これらのモデルはすべて「Cosmos 3 Nano」の事後訓練済み例であり、テキスト処理ネットワークと視覚生成ネットワークをアテンションを通じて接続する「Cosmos 3」のMixture-of-Transformersバックボーンを採用している。ジェネレーターはプロンプト、利用可能な制御、および生成された履歴から各短いセグメントを予測する。ノイズの多い圧縮ビデオ表現はデノイジングプロセスによってセグメントに精製される。

参考: Hugging Face Blog — 2026年10月30日 22:47 (JST)