NVIDIA、エッジAI向け軽量世界モデル「Cosmos 3 Edge」をオープンソース化

要約

NVIDIA は 40 億パラメータの世界モデル「Cosmos 3 Edge」を Hugging Face で公開し、エッジデバイス上でロボット制御を実現する。NVIDIA Jetson Thor 上で 640×360 解像度の観測から毎秒 15 Hz の制御を可能にし、推論 1 回で 32 アクション生成する。自動回帰タワーと拡散タワーからなる Transformer 構造で、視覚・言語・音声・動作を共通表現で処理し、同規模モデル中で VANTAGE-Bench の視覚解析タスクで 1 位、ロボット政策学習で最高水準を達成した。ロボット操作用にファインチューニングした「Cosmos 3 Edge Policy (DROID)」と、拡散ステップを 50 から 4 に削減する「Cosmos 3 Super 4-Step」蒸留版も併せてリリースされている。