全方位世界模型

速報

Cosmos 3 全方位世界模型：統合語言、影像、視訊、音訊與行動的突破

NVIDIA 推出 Cosmos 3 全方位世界模型，能同時處理文字、影像、視訊、音訊與動作序列，採用混合變換器架構，支援彈性輸入輸出配置。實驗證明其在多項任務上創新表現，並在開源文字轉影像、影像轉視訊以及機器人政策測試中獲最高排名，推動實體 AI 研究與部署。