/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Cosmos3-Nano
Опубликована
29 июл 2026

cosmos3-tactile-mot-v2-step250

Языковая модельИзображение, текст → action3 профессии

Промежуточная модель на базе Cosmos3-Nano для предсказания будущего видео и тактильных сигналов по их прошлым последовательностям.

9скачиваний за 30 дней0лайковвеса обновлены29 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Cosmos-3 Tactile-MoT v2 — step-250 — промежуточный чекпойнт для совместного предсказания будущего видео и тактильных сигналов. Модель разработана на базе NVIDIA Cosmos3-Nano: автор дообучил путь генерации Cosmos3 и добавил тактильную модальность. Указан размер исходного бэкбона — 15,9 млрд параметров; обучаемый путь генерации составляет около 6,98 млрд. Веса опубликованы в формате bf16 Safetensors.

Модель принимает прошлые видеокадры и тактильные данные и предсказывает будущие видео и тактильные данные. Она предназначена для моделирования взаимодействия робота с объектами; поддерживает английское текстовое кондиционирование и потоки с частотой 30 Гц, включая тактильные сигналы с частотой 10 и 30 Гц. Действия и позы рук модель не предсказывает.

Это чекпойнт на шаге 250 из запланированных 3000 шагов полного дообучения, опубликованный для запуска оценки параллельно с обучением. Предсказанное видео уже согласованное, но пока мягкое и недостаточно детализированное, особенно в близких ракурсах на запястья. Для генерации следует использовать UniPC flow sampler. Лицензия в метаданных обозначена как other; README не уточняет её условия.

Сценарии применения

  • предсказание будущих видеокадров при тактильном взаимодействии
  • совместное моделирование визуальной и тактильной обратной связи робота
  • оценка моделей предсказания сенсорных сигналов в робототехнике

Ограничения

Промежуточный чекпойнт после 250 из 3000 шагов: качество предсказанного видео пока мягкое, особенно в близких ракурсах на запястья. Модель не предсказывает действия и позы рук; для генерации нужен UniPC flow sampler.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Cosmos-3 Tactile-MoT v2 — step-250 (interim) checkpoint

⚠️ Interim checkpoint. These are the weights at step 250 of a 3000-step full-SFT run, shared to bring up an evaluation pipeline in parallel with training — not a final model. The predicted video is coherent but still early/soft. Final weights will follow.

Joint video + tactile future prediction on the real 15.9 B NVIDIA Cosmos3-Nano backbone. Task: past video + past tactile → future video + future tactile (30 Hz source / 10 Hz slow / 30 Hz fast; no action, no hand-pose).

What was trained (v2, full SFT)

Full SFT of the Cosmos3 generation pathway (~6.98 B, FSDP2/ZeRO-3) + a fresh tactile modality; the und/reasoner tower and the Wan VAE are frozen. On top of the v1 fixes (distinct per-view mRoPE, corrected VAE conditioning boundary, removed fast-path future leakage), v2 adds:

  1. Slow tactile = aligned 10 Hz sample (the 30 Hz sample at the tick time), not a within-block mean.
  2. Per-view identity embedding (head / wrist-L / wrist-R).
  3. English text conditioning via the official Cosmos3 prompt format (system + chat template + duration/resolution + <|vision_start|>); prompts are English translations of the vendor task.
  4. Official UniPC flow sampler for sampling; trainer uses fp32-master + bf16 compute.

Both the slow expert (gen pathway + tactile head) and the 30 Hz fast expert (codec + FastTactileExpert) are trained.

Files

  • model.safetensors — full model weights in bf16 (Cosmos3 backbone + tactile head + view embedding + tactile codec + fast expert + Wan VAE). ~32 GB.
  • config.json — the JointModelConfig used (set snapshot to your local Cosmos3-Nano base path).
  • keys.json — the exact state-dict keys (for a load sanity check).

How to load & evaluate

Requires the model code and the Cosmos3-Nano base snapshot (for architecture/config + frozen weights the checkpoint overrides).

import torch
from safetensors.torch import load_file
from tacwam.cosmos_tactile.joint_model import JointModelConfig, TactileCosmosModel

cfg = JointModelConfig(snapshot="/path/to/Cosmos3-Nano", train_mode="gen_sft", use_lora=False,
                       master_dtype="bfloat16", slow_ctx=8, slow_hor=8, num_views=3, use_fast_expert=True)
m = TactileCosmosModel(cfg).to("cuda").eval()
sd = load_file("model.safetensors")
missing, unexpected = m.load_state_dict(sd, strict=False)
assert len(unexpected) == 0 and len(missing) < 8, (len(missing), len(unexpected))  # only tiny non-persistent buffers may miss

Or with the repo's eval/coherence helper (handles .safetensors, single-file .pt, and DCP dirs):

python scripts/cosmos3/smoke_coherence.py --ckpt <dir-with-model.safetensors> --sampler unipc

Caveats

  • Interim (8% of the planned run); expect softness, especially in the close-up wrist views.
  • Sampling is rectified-flow; use --sampler unipc (the checkpoint's shipped scheduler).
  • The training corpus is egocentric human-subject vendor video; only weights are shared here.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
f48dd53

0 моделей