NVIDIA Cosmos 3 Edge

NVIDIA Cosmos 3 Edge to najmniejszy poziom trzeciej generacji modeli świata NVIDII, opublikowany 20 lipca 2026 r., siedem tygodni po wersjach Nano (16 mld) i Super (64 mld). Ma 4 mld parametrów — dokładnie 3 858 999 728 w BF16 — i tę samą konstrukcję Mixture-of-Transformers co flagowiec: wieżę autoregresyjną dla tekstu i wieżę dyfuzyjną dla obrazu, wideo i trajektorii czynności robota. Cięcia nie dotyczą wyłącznie rozmiaru. Cosmos 3 Super przyjmuje tekst, obraz, wideo i dźwięk, a dźwięk potrafi też zwrócić; Edge przyjmuje wyłącznie tekst, obraz i trajektorię czynności, a zwraca tekst, obraz, wideo i czynności. Zniknął kanał dźwięku, a razem z nim wejście wideo — Edge dostaje nieruchomą klatkę i zamierzony ruch, nie urywek filmu. Część rozumująca zachowuje pełne okno kontekstu: 256 000 tokenów. Najciekawsze w tym modelu jest to, że NVIDIA opublikowała czasy działania, a są one nietypowo szczere jak na model reklamowany jako gotowy na pokład. Wszystkie liczby dotyczą jednego układu GPU, wsadu 1, rozdzielczości 480p i 189 generowanych klatek. Na H100 SXM model robi wideo ze zdjęcia w 27,64 s, odpowiada na pytanie o dynamikę przednią — co się stanie, jeśli ramię wykona ten ruch — w 3,91 s, na pytanie o dynamikę odwrotną w 5,60 s, a politykę manipulacji DROID wykonuje w 1,41 s. Na B200 polityka schodzi do 0,99 s. Gdy jednak przenieść ten sam model na sprzęt, który robot faktycznie uniesie, obraz się zmienia. Na Jetsonie AGX Thor T5000 ze 128 GB w trybie MAXN wideo ze zdjęcia powstaje w 137,50 s, dynamika przednia zajmuje 6,05 s, odwrotna 7,19 s, a polityka DROID 6,32 s. Na 32-gigabajtowym Jetsonie T3000 wideo trwa 194,76 s, a polityka 8,63 s. Tak wygląda uczciwe odczytanie słowa „edge”: to model do planowania, wytwarzania danych i rozumowania offline na pokładzie maszyny, a nie sterownik domykający pętlę w tempie serwomechanizmów. Edge wyszedł 20 lipca 2026 r. w czwórce punktów kontrolnych: sam Cosmos3-Edge, Cosmos3-Edge-Policy-DROID do manipulacji na platformie DROID oraz czterokrokowe wersje destylowane generatorów obrazu i wideo z rodziny Super, które dzięki technice Improved Distribution Matching Distillation skracają generowanie do czterech kroków odszumiania. W praktyce to najczęściej pobierany model rodziny: około 894 tysięcy pobrań w 30 dniach do 26 sierpnia 2026 r. wobec około 125 tysięcy dla wersji Super — różnica, która mówi więcej o tym, ilu ludzi jest w stanie uruchomić model o 4 mld parametrów, niż o tym, który z nich jest lepszy. Licencja to OpenMDW 1.1, taka sama jak w reszcie rodziny, i dopuszcza użycie komercyjne.

▸Wideo

Brak materiałów wideo.

▸Recenzje