Cosmos 3：全域式多模態世界模型突破
NVIDIA 發布 Cosmos 3 系列全域式多模態世界模型，能同時處理與產生文字、影像、影片、音訊與動作序列，採用混合 Transformer 架構，支援高度彈性的輸入輸出配置。此模型統合了視覺語言、影片生成、世界模擬與行動決策等功能，成為實體 AI 的通用骨幹。
Cosmos 3 亮相 多模態統一新里程碑
NVIDIA 於近日發表 Cosmos 3 系列，主打全域式（omnimodal）世界模型，能同時處理文字、影像、影片、音訊與動作序列，並在同一框架下進行產生。
模型採用混合 Transformer（mixture‑of‑transformers）架構，支援高度彈性的輸入與輸出組合，讓視覺語言、影片生成、世界模擬與行動決策等功能得以在同一系統內無縫銜接。
效能表現與評測結果
在多項理解與生成任務的測試中，Cosmos 3 均刷新了當前最佳成績，證明其作為可擴展、通用的實體 AI 骨幹具備足夠的實力。
根據 Artificial Analysis 的排名，Cosmos 3 的後訓練模型在開源 Text‑to‑Image 與 Image‑to‑Video 領域皆名列第一；同時在 RoboArena 的策略模型測試中亦取得最佳表現。
開源資源與授權
為加速開放研究與實務部署，NVIDIA 將程式碼、模型檔、合成資料集與評估基準以 Linux Foundation 的 OpenMDW‑1.1 授權釋出，相關資源可於以下連結取得：
https://github.com/nvidia/cosmos
https://huggingface.co/collections/nvidia/cosmos3
https://research.nvidia.com/labs/cosmos-lab/cosmos3研究團隊期望透過此開放平台，促進實體 AI 在各領域的創新與應用。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
