Cosmos 3

英伟达第三代全模态世界模型：一个模型既能理解、生成视频，也能输出动作。

英伟达 Cosmos 世界基础模型家族的第三代，2026 年 5 月发布，技术报告 2026 年 6 月上 arXiv。前两代把理解（Cosmos Reason）和视频生成（Cosmos Predict）分成不同模型；Cosmos 3 用混合 Transformer（MoT）架构把它们合进一个模型：自回归的语言塔负责读文字、做推理，扩散的生成塔负责输出图像、视频、音频和动作序列，两塔共享注意力。同一套权重可以当视觉语言模型、文生/图生视频模型、按动作预测未来画面的世界模拟器，也能后训练成机器人策略。开放 Super（64B）和 Nano（16B）两档，2026 年 7 月又放出面向 Jetson 端侧的 Edge（4B），代码和权重采用 OpenMDW-1.1 许可。

例子据技术报告，用 DROID 数据后训练出的 Cosmos3-Nano-Policy 在 RoboArena 真机评测榜（2026-05-30 快照）上以 Elo 1870 排名第一。

也叫

Cosmos3、英伟达 Cosmos 3

相关

Cosmos、世界基础模型、混合 Transformer 架构、统一多模态模型、世界动作模型、Cosmos Policy

来源

Cosmos 3: Omnimodal World Models for Physical AI (arXiv:2606.02800)
NVIDIA Cosmos GitHub（Cosmos 3 模型家族与发布记录）

信息截至

2026-07