/ Модель

Характеристики

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

Cosmos-H2R-0919

Видео из изображенияИзображение, текст → видео3 профессии

Дообученная Cosmos3-Nano для предсказания видео роботизированной манипуляции с условием камеры и отслеживанием 3D-точек.

32скачиваний за 30 дней0лайковвеса обновлены18 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-0919 — дообученная видеомодель мира для задач роботизированной манипуляции, основанная на nvidia/Cosmos3-Nano. Она предсказывает продолжение видео по прошлым кадрам и потоку поз камеры; совместно с генерацией обучена голова отслеживания 3D-точек, выдающая траектории точек для каждого кадра. Архитектура cosmos3_omni объединяет Qwen3-VL-8B MoT и диффузионный эксперт; указано около 15,2 млрд параметров, не считая визуального блока Qwen3-VL. Контекст задаётся 1–5 прошлыми латентными кадрами, а условие камеры содержит 9 параметров для каждого кадра.

Модель предназначена для генерации видеораскруток движения робота с учётом состояния камеры и пространственного отслеживания точек. В карточке приведены детали обучения и экспорта в консолидированный формат Cosmos с весами safetensors; для инференса требуется локальная копия чекпойнта и входная инфраструктура Cosmos. Язык лицензии обозначен как other, поэтому конкретные права использования следует проверять в файлах репозитория. Описание не приводит измерений качества или сведений о проверке в реальных роботизированных системах.

Сценарии применения

  • генерация продолжения видео движения робота по прошлым кадрам
  • прогнозирование манипуляций робота с заданным потоком поз камеры
  • получение траекторий 3D-точек по кадрам сгенерированной видеораскрутки

Ограничения

Модель требует инфраструктуры Cosmos и локально доступных весов; для визуального блока используется Qwen3-VL, не включённый в обучающий чекпойнт. Карточка не приводит результатов оценки качества или проверки на реальных роботах, а условия лицензии нужно уточнить 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-0919

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 iteration2000 (end of the stage-3 cosine cycle)
Training resolution480p, 2 views, clips up to 157 frames
Packing budget32 000 tokens/sample

What was trained in the final stage

  • 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-0919 --local-dir ./Cosmos-H2R-0919

torchrun --nproc_per_node=<N> -m cosmos_framework.scripts.inference \
    -i inputs.json \
    -o outputs/ \
    --checkpoint-path ./Cosmos-H2R-0919

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.

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
2d89564

0 моделей