把 NVIDIA 这四款 Cosmos 3 Nano 检查点摆到一处,最值得追问的不是各自能生成什么,而是它们明明共用同一个 16B 基座,却被拆成四条互不重叠的后训练路径。官方成组博客的措辞是 four new open-weight checkpoints,逐字即「开放权重检查点」,四款都是 post-trained examples of Cosmos 3 Nano,也就是这个基座的后训练变体。这层口径得先钉住:开放权重说的是权重层面可继续后训练,标题里那个便于检索的俗称不宜按字面理解成训练数据、配方与全部工程细节一并公开。前提摆正,问题才立得住——同一个 16B 基座,为什么要分成 Cosmos3-Nano-Transfer-Auto、Cosmos3-Nano-Sim-Auto、Cosmos3-Nano-Sim-Transfer、Cosmos3-Nano-Sim-Bimanual 四条路?差别落在输入契约、生成什么、把物理真值放在谁手里,而不在参数量、许可名或骨干,因为这几样四款全同。
先把这一篇在整批里的位置说清楚。本篇讲同一基座派生四条实现路径的机制与输入输出契约:四款共享什么、吃进什么、吐出什么、为什么这样设计、官方把边界划在哪。同批热点栏记录 OpenAI Images 2.6 的 GIF 与 SVG 增量,开源栏深挖 oxc-project/tsrs 单项目,升级 SOP走 Google ADK 2.14.0 的避坑步骤,三栏都盯单一对象,都不碰「同一基座派生多路径」这层关系。再往站内看,2026 年 11 月 7 日的GitHub 工具元数据横评是五个互不相干仓库在某时点的 API 元数据快照表,逐格登记语言、许可、星数、建仓日与运行门槛;世界模型单品专文做单产品发布报道。本篇既不做仓库元数据登记,也不做单品发布报道,而是「1 个基座到 4 条路径」的机制拆解:共享字段全同,差异不在星数、建仓日那一类坐标上,快照表物理上撑不出这层差异。
由头只用官方口径:四张官方模型卡都标注 Release Date — Hugging Face 10/20/2026,NVIDIA 官方博客随后宣布新增 Cosmos 3 Nano 仿真变体,官方 Hugging Face 博客再把四个检查点按「交互式世界模拟」成组文档化。三处日期口径的并列与不调和留到末节,这里不合并成一个上线日。
四款共享什么:同一物种的几项共同事实
要论证四款是同一物种,回到官方逐字即可。成组博客写 All four models are post-trained examples of Cosmos 3 Nano and have 16B trainable parameters. The models use OpenMDW1.1, permitting commercial and non-commercial use under its terms. 四张模型卡又各自重复 Network Architecture: Mixture-of-Transformers (MoT)、Number of trainable model parameters: 16B、This model is released under OpenMDW1.1.。三件事由此坐实:四款都是 Cosmos3-Nano 基座的后训练变体,可训练参数量同为 16B,骨干同为 Mixture-of-Transformers(MoT),许可同为 OpenMDW1.1;不是四次从零训练,而是同一起点上的四条分支。参数量、许可、骨干若拉成表,四款逐格相同,差异只能到输入条件、生成输出与任务场景里去找——本篇是机制拆解而非参数登记,不是偏好,是被这个事实逼出来的。
四张模型卡还共用同一套字段结构,连栏目顺序都一致,照录如下:
Model Overview
Description
License
Deployment Geography
Use Case
Release Date
Model Architecture
Inputs
Outputs同一套 schema 让四款输入输出都落进 Inputs、Outputs 两个同名格子,字段统一不必自造列。后训练路径只按模型卡逐字写:先在多传感器数据上后训练得到 Transfer-Auto,再经 causal distillation 得到流式变体;Sim-Bimanual 卡同样写作 post-training ... followed by causal distillation,是两阶段先后,不是四款各一套配方。
许可只照官方逐字:模型卡写 This model is released under OpenMDW1.1.,成组博客写 The models use OpenMDW1.1, permitting commercial and non-commercial use under its terms.。条款逐条拆解,站内 2026 年 10 月 23 日的开放权重协议横评已做过;本篇只当作四款的一项共同事实,不重做条款比较,也不给法律意见。
一张对照表:从输入契约到路径衔接
这张表只登记功能契约文字:参数量、许可、骨干四款全同,放进表里只是四格重复,统一挪到表外作一句共同事实;不同量纲的数字留在各款自身条目,不进同一列。官方页没逐字给出的能力记为「官方页未给出」,不替官方下能力缺失的断言。
| 统一字段 | Cosmos3-Nano-Transfer-Auto | Cosmos3-Nano-Sim-Auto | Cosmos3-Nano-Sim-Transfer | Cosmos3-Nano-Sim-Bimanual |
|---|---|---|---|---|
| 官方一句话定位 | 生成不同天气、光照与时段的驾驶多视角数据 | 为驾驶仿真流式输出同步相机与 LiDAR 观测 | 把仿真器控制量与文本转成照片级视频 | 由机器人或相机动作预测视频 |
| 输入条件 | 文本提示、每视角 World Scenario Map(WSM)控制量,请求 LiDAR 时加对齐控制量 | 逐相机描述、同步 WSM 控制量、可选初始 RGB 图像,LiDAR 生成另加对齐的 HD-Map 距离控制量 | 仿真器空间控制量(Depth、Segmentation、Edges、Blur)与文本提示 | 初始图像与一串控制输入,rollout 任意时刻可注入 |
| 生成输出 | 同步多视角相机视频与 LiDAR 观测 | 连续小块同步相机视频与 LiDAR | 策略可消费的彩色观测 | 潜帧小块视频,MP4 或流式视频帧 |
| 任务场景 | 自动驾驶多传感器合成数据批量生成,供感知与驾驶模型训练评估 | 快速流式与长程交互 rollout | 仿真器留物理与真值,模型只渲染观测 | 机器人策略评估、强化学习训练、无需遥操作的合成演示数据 |
| 与哪条路径衔接 | 源检查点,因果蒸馏出 Sim-Auto | 由 Transfer-Auto 蒸馏而来;新传感器或新域先适配源再蒸馏 | 与 Sim-Bimanual 并列:控制量出观测 | 与 Sim-Transfer 并列:动作出视频 |
共同项不单列一格:四款都是 Cosmos 3 Nano 的后训练变体,同为 16B trainable parameters,同采 OpenMDW1.1 与 Mixture-of-Transformers(MoT)骨干,逐格相同,可对照官方模型卡核字段。
Transfer-Auto:离线双向的多视角数据生成器
官方给 Transfer-Auto 的定位是 Generate multi-view driving data with varied weather, lighting, and time of day.,模型卡写它是 a bidirectional model for offline synthetic driving data generation——bidirectional 与 offline 点明它一次看全整段、成批造出多视角多传感器对齐的合成驾驶数据。输入契约逐字 Generation is conditioned on a text prompt, World Scenario Map (WSM) controls for each camera view, and aligned LiDAR controls when LiDAR output is requested.:文本管外观,每视角 World Scenario Map(WSM)控制量管场景结构与交通运动,请求 LiDAR 时补对齐的控制量;天气、光照、时段可换,结构与车流由 WSM 锁住。
输出侧逐字 generates synchronized video across up to 11 camera views, including fisheyes,up to 11 camera views 含鱼眼视角,相机视频与 LiDAR 联合生成、彼此对齐;Use Case 写 Physical AI for autonomous vehicles: synchronized multi-sensor synthetic data generation at scale for training and evaluating perception and driving models.。它还是官方逐字 serves as the source checkpoint for causal distillation into Cosmos3-Nano-Sim-Auto 的源检查点,不是终点。
Sim-Auto:因果蒸馏得到的流式变体
Sim-Auto 的定位是 Stream synchronized camera and LiDAR observations for driving simulation.,官方逐字把关系写死:the causally distilled streaming variant of Transfer-Auto,即因果蒸馏得来的 streaming 变体,模型卡标为 a post-trained, causal-distilled variant。生成方式的变化是关键,逐字 generates successive small chunks of synchronized camera video and LiDAR in just a few denoising steps:双向整段生成被压成少步去噪、连续吐小块,靠已生成历史与刷新的驾驶控制量接续,支撑 fast streaming and long, interactive rollouts;小块与少步是本款自身机制,不与他款量纲并列。
输入契约逐字 Provide per-camera captions and synchronized WSM controls, optionally adding initial RGB images. For LiDAR generation, include HD-Map range controls aligned with the camera controls.,WSM 从 Transfer-Auto 延续下来。闭环官方没含糊:Closed-loop interaction requires a simulation runtime and WSM renderer to update those controls from driving inputs.,刷新控制量靠外加的仿真运行时与 WSM renderer;适配新传感器或新域,官方顺序是 For a new sensor rig or domain, adapt Transfer-Auto first, then distill it into Sim-Auto.。
Sim-Transfer:把物理留在仿真器的渲染器
Sim-Transfer 的定位是 Turn simulator controls and a text prompt into photorealistic video.,切的是另一维度:物理与外观各归谁管。官方逐字 Your simulator computes motion, contacts, and physical state. Sim-Transfer uses its spatial controls and a text prompt to render color observations that a policy can consume.,运动、接触、物理状态由仿真器算,模型只渲染策略可消费的彩色观测。它吃的空间控制量官方逐项列了四路:Depth: relative distance from the camera. Segmentation: regions and object boundaries. Edges: scene contours. Blur: coarse appearance and layout. 四路是枚举的控制通道,不是四个可比数值,只按名字列出、不互相折算;紧跟一句 Text guides appearance; physics and ground-truth state stay with the simulator. 把物理与真值留在仿真器一侧。
它与 Sim-Bimanual 是并列关系,官方逐字 Sim-Bimanual predicts visual consequences from actions, while Sim-Transfer turns a physics simulator's controls into generated observations.,两条并列的机器人路径,不是同一条链的上下游。这一款是否流式,官方页未给出,本篇不补写。
Sim-Bimanual:换一种具身的动作到视频
Sim-Bimanual 的定位是 Predict video from robot or camera actions.,官方写它 simulates how an environment evolves in response to a bimanual robot's actions,模型卡标为 a post-trained, causal-distilled variant of the Cosmos3-Nano base model:仍长在同一个 16B 基座上,只是从驾驶多传感器视角换成双臂机器人动作驱动的环境演化。输入与生成方式逐字 Given an initial image and a sequence of control inputs, the model generates video in small latent-frame chunks conditioned on cached history and incoming robot actions or camera trajectories.——以 small latent-frame chunks 潜帧小块吐视频,条件于缓存历史与新进动作;控制输入可由 VLA、world-action 策略或人工摇杆在 rollout 任意时刻注入,Supported embodiment 逐字是 AgiBot。
输出与必须同段带上的官方限定一起读:模型卡写 Video: MP4 or streamed video frames,并写 Generates video at 480p with an output frame rate of 30 frames per second (fps). Output video frame rates describe playback timing; inference throughput is reported separately. 480p 与 30 fps 说的是播放时序,官方紧接着把它与推理吞吐切开,所以这两个数只留在本款条目,不与他款量纲并排、不换算成速度结论;Use Case 写 robotic policy evaluation and verification, reinforcement learning (RL) training, and synthetic demonstration data generation without teleoperation。
四条路径怎样咬合:从双向到蒸馏再到换具身
四条路是几个正交的设计轴。离线与流式是唯一官方写明上下游的链,逐字 The adapted model can be used directly for offline data generation or undergo causal training and few-step distillation for fast streaming simulation—the development path used to create Cosmos3-Nano-Sim-Auto. 模型卡写作两阶段 derived from Cosmos3-Nano in two stages: first, post-training ... to produce Cosmos3-Nano-Transfer-Auto; then, causal distillation,Sim-Bimanual 卡同样 post-training ... followed by causal distillation。第二轴是渲染与物理归属,Sim-Transfer 把物理留给仿真器,与离线或流式无关;第三轴是具身,Transfer-Auto 与 Sim-Auto 围绕 World Scenario Map 与 WSM 控制量组织驾驶输入,Sim-Bimanual 换成 AgiBot,Sim-Transfer 落在渲染侧。四路共用 16B、OpenMDW1.1 与 MoT,差异全压在输入契约、生成输出与任务场景里。
运行前提与官方自划的边界
运行前提只写官方点明的两处:Sim-Auto 闭环需 a simulation runtime and WSM renderer 把驾驶输入刷回控制量,Sim-Transfer 需仿真器先算 motion, contacts, and physical state;其余官方页未给出的门槛不逐款补写,也不列硬件规格。更要紧的是官方自划的边界,成组博客逐字:These problems remain hard: the work ahead is to measure where the models faithfully support policy learning and evaluation, understand their limits, and improve where they fall short. 这句话把四款在多大程度上忠实支撑 policy learning and evaluation 列为待测量的工作,而非已兑现的结论,还要求理解极限、在不足处改进。顺着这个口径,本篇只把四款记成供人继续适配、比较方法、贡献改进的起点,边界回到逐款测量与官方逐字,二手汇总不升格为官方结论。
口径边界:三处日期与不写的几类内容
日期有三处官方口径,并列不调和:四张模型卡 Release Date 逐字 Release Date — Hugging Face 10/20/2026,NVIDIA 官方博客页面自身标 October 21, 2026,官方产品页把同一篇列为 [October 22, 2026];三处各自照录,不合并成一个发布日。把官方 Hugging Face 成组博客记作某个具体日的说法只停在二手汇总、未取到该页官方逐字,本篇不写那个具体日,也不把汇总日当上线日。
技术报告是否已有正式文档,两处官方页口径不一致,本篇不提;另一种阶段数更多的划分只见于二手汇总,本篇只按模型卡逐字的两阶段写。未经官方逐字确认的具身名单、控制值规格,以及把参数量换算成跨款总量的算法,都不进正文;官方逐字没落到纸面的数字不补、不推测,不同量纲的数字各自留在所出那款条目里,不并列、不相加、不互为解释。官方页没写到的能力一律记为「官方页未给出」。
常见问题
Q1:这四款是四个各自独立训练的模型吗?
A1:不是。官方逐字写四款都是 post-trained examples of Cosmos 3 Nano,同一 16B 基座上的后训练变体;同为 16B trainable parameters、同为 Mixture-of-Transformers (MoT) 骨干、同为 OpenMDW1.1。这几项全同,差异在输入契约、生成输出与任务场景,当成四次从零训练就读反了。
Q2:同一个 16B 基座为什么要拆成四条路?
A2:因为切的是正交设计轴:离线双向的 Transfer-Auto 经因果蒸馏成流式 Sim-Auto;Sim-Transfer 把物理留给仿真器、只做空间控制量加文本到观测的渲染;Sim-Bimanual 换成双臂具身,由初始图像加动作串预测视频。四路共用 16B、OpenMDW1.1 与 MoT,差异全压在输入、输出与物理真值归属上。
Q3:那张对照表按什么字段组织?
A3:按四张模型卡共用的功能契约字段:一句话定位、输入条件、生成输出、任务场景、路径衔接,再加一行四款全同的共同项。字段统一、量纲一致,只并列契约文字,不把不同量纲数值放进同一列;官方页没逐字给出的能力记为「官方页未给出」。
Q4:日期为什么有好几个,该认哪一个?
A4:三处官方口径并列不调和:四张模型卡逐字 Release Date — Hugging Face 10/20/2026,NVIDIA 官方博客页面自身 October 21, 2026,官方产品页同一篇列为 [October 22, 2026]。各自照录,不合并成统一发布日;成组博客记作某个具体日的说法只停在二手汇总,不写作上线日。
Q5:Sim-Bimanual 的 480p 与 30 fps 怎样读?
A5:这两个数只在 Sim-Bimanual 自身条目出现,说的是输出视频播放时序。官方紧接着写明 Output video frame rates describe playback timing; inference throughput is reported separately.,把播放帧率与推理吞吐切开;不是速度结论,也不与别款量纲并排或换算。模型卡输出写 Video: MP4 or streamed video frames,Supported embodiment 写 AgiBot。