/ Модель

Характеристики

Размер весов
31,6 ГБ
Лицензия
Своя лицензия
Архитектура
cosmos3_omni · dense
Базовая модель
Cosmos3-Nano
Библиотека
cosmos
Опубликована
17 сен 2026

Cosmos-H2R-0918

Видео из изображенияИзображение, текст → видео3 профессии

Дообученная Cosmos3-Nano для генерации видеороликов роботизированных манипуляций с условием на изображение, текст и позу камеры, а также отслеживанием 3D-точек.

22скачиваний за 30 дней0лайковвеса обновлены17 сен 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-H2R-0918 — это дообученная модель генерации видео на основе nvidia/Cosmos3-Nano, опубликованная пользователем rooty2020 в формате Cosmos с весами safetensors. Модель предназначена для моделирования взаимодействия робота с объектами: она генерирует видеопоследовательность манипуляции по изображению или видеоконтексту и описанию подзадачи, а также выдаёт траектории отслеживаемых 3D-точек по кадрам. Генерацию можно обусловить потоком поз камеры.

Модель использует архитектуру cosmos3_omni на базе Qwen3-VL-8B MoT и diffusion expert; указано около 15,2 млрд параметров плюс визуальная башня Qwen3-VL. Финальный этап обучения использовал эпизоды DROID, нарезанные на клипы с текстовыми описаниями подзадач, и включал потери генерации видео, отслеживания 3D-точек и межвидовой согласованности. Указаны видео 480p, два ракурса и контекст до 17 кадров; основное назначение — роботизированные манипуляции, а не универсальная генерация видео. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Сценарии применения

  • генерация продолжения видео манипуляции робота по исходным кадрам
  • моделирование выполнения роботизированной подзадачи по текстовому описанию
  • предсказание траекторий 3D-точек на протяжении видеоролика
  • генерация сцен с управлением позой камеры
  • исследование и обучение моделей взаимодействия робота с объектами

Ограничения

Модель специализирована на роботизированных манипуляциях и обучалась на клипах DROID; данные карточки не подтверждают пригодность для общих видеосценариев. Указана лицензия other, поэтому условия использования нужно уточнять в репозитории.

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-H2R-0918

A post-trained Cosmos3-Nano video world model for robot manipulation, exported as a consolidated Cosmos (Hugging Face safetensors) checkpoint.

Beyond plain video prediction, this checkpoint carries a 3D point-tracking head trained jointly with the flow-matching backbone, and explicit camera conditioning, so a generated rollout comes with per-frame 3D point trajectories and can be driven by a camera pose stream.

Model details

Base modelnvidia/Cosmos3-Nano (Qwen3-VL-8B MoT backbone + diffusion expert)
Architecturecosmos3_omni, unified_3d_mrope position embeddings
Parameters~15.2 B (language model + diffusion expert), plus the Qwen3-VL ViT tower
WeightsEMA weights, bf16
Training iteration785 (final stage of a multi-stage curriculum)
Training resolution480p, 2 views, clips up to 157 frames
Packing budget32 000 tokens/sample

What was trained in the final stage

  • Data — DROID episodes cut into per-subtask clips with per-subtask language (~67 k clips, 157-frame window cap), 480p, two views.
  • Objective — rectified-flow video loss, plus a 3D point-tracking loss (depth enabled, sequence cap 50) and a track-anchored cross-view consistency loss (weight 0.1).
  • Conditioning — 1–5 clean past latents (1/5/9/13/17 context frames) and a 9D framewise camera action with analytic Plücker-ray camera codes and RoCE rotations (camera_roce_mode=qk_vo) in every DiT layer.
  • Optimization — LR 2e-5, 200-step warmup on a 2000-step cosine cycle, 32× GH200.

Usage

This is a consolidated Cosmos checkpoint (config.json + sharded model*.safetensors + checkpoint.json), the same layout nvidia/Cosmos3-Nano ships. Point the Cosmos inference entry point at a local copy:

hf download rooty2020/Cosmos-H2R-0918 --local-dir ./Cosmos-H2R-0918

torchrun --nproc_per_node=<N> -m cosmos_framework.scripts.inference \
    -i inputs.json \
    -o outputs/ \
    --checkpoint-path ./Cosmos-H2R-0918

The camera-conditioning and 3D-tracking heads are specific to this fine-tune; running it from stock cosmos-predict without those modules will load the video backbone only.

Provenance

Exported from a PyTorch Distributed Checkpoint with python -m cosmos_framework.scripts.export_model (the run's own config.yaml, EMA weights). The ViT tower is taken from Qwen/Qwen3-VL-8B-Instruct at the revision pinned by the Cosmos framework, as the training checkpoint does not carry it.

License

Derived from nvidia/Cosmos3-Nano and governed by the NVIDIA Open Model License. Training data comes from DROID; its terms apply to the data, and the usual caveats about generated video (no guarantee of physical accuracy, not for safety-critical control) apply here too.

Как запустить

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

GPU в ailist

Универсальный рантайм · cosmos

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Класс архитектуры
Cosmos3OmniModel
Ревизия весов
e815fea

0 моделей