Physical AI Lab // 第 3.2 話 // 1枚まとめ

世界モデル:コスモスでデータをつくる

未来を生成する(Predict)と、スタイルを移す(Transfer)

三つのポイント

  1. 世界モデルは世界のデジタルツイン:過去の映像に動作を加えると次の瞬間を予測する。膨大な映像で学習(約2000万時間、1億本のクリップ、R)。
  2. Cosmos Predict は先の映像を生成(拡散 7B/14B と自己回帰。H100 一万基で三か月学習、R。ロボット指示予測で人の支持率78.3%、R)。論文は評価・計画・方策の学習を使い方の候補として挙げるが、それらの実験結果はまだ示していない。
  3. Cosmos Transfer はセグメンテーション/深度/エッジによる条件付き生成、world-to-world の移し替え、sim2real を担う(最上位ラックでリアルタイム、R)。ただし本物らしさは正しい物理ではない。

出典:O 公式・一次 · R 学術文献 · M メディア・二次

R2000万時間コスモスの事前学習に使った元の映像の量。そこから約1億本のクリップを切り出した(エヌビディア)
R70億 / 140億Cosmos-Predict1 拡散世界モデルの二つの規模(ほかに自己回帰の40億・120億、エヌビディア)
RH100 1万基論文の世界基盤モデルすべての学習に使ったGPUクラスター、期間は三か月(エヌビディア)
R78.3%ロボット指示の映像予測で、人の評価者が微調整した Cosmos-Predict を選んだ全体の割合(基準モデルは13.0%、エヌビディア)
Rセグメンテーション・深度・エッジなどの空間制御入力で、Cosmos-Transfer が世界を生成(エヌビディア)
Rリアルタイム(最上位ラック)NVIDIA GB200 NVL72 ラック一台でリアルタイムの世界生成(エヌビディア、ピーク構成)

さらに読む