/ Модель

Характеристики

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

Cosmos3-ours-RB-Y1

Видео из изображенияИзображение, текст → видео3 профессии

Модель Cosmos3-Nano, дообученная на демонстрациях робота RB-Y1 для генерации многовидового видео и отслеживания 3D-точек манипулятора.

20скачиваний за 30 дней0лайковвеса обновлены21 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

Cosmos3-ours-RB-Y1 — мульт ракурсная видеомодель мира для робототехники, разработанная на основе NVIDIA Cosmos3-Nano и дообученная на телеметрических демонстрациях RB-Y1 и WujiHand2. Модель объединяет backbone Qwen3-VL-8B MoT с диффузионным экспертом и содержит около 15,22 млрд параметров. Архитектура Cosmos3 Omni-4D использует многовидовую упаковку данных, явное кондиционирование по камерам и совместно обученную голову отслеживания 3D-точек.

Модель предназначена для генерации продолжений видео по исходным кадрам с эго- и внешнего ракурсов, а также для предсказания покадровых 3D-траекторий точек руки и манипулятора робота. Обучение проводилось на 100 эпизодах телоуправления; демонстрации содержат два статичных ракурса, а прогнозируемые координаты заданы в системе координат основания робота. Указана лицензия other; перед применением следует проверить её условия в репозитории модели.

Сценарии применения

  • генерация продолжения видео телоуправления роботом по исходным кадрам
  • прогнозирование будущих кадров с эго- и внешнего ракурсов
  • получение 3D-траекторий точек руки и манипулятора по кадрам
  • изучение динамики манипулятора по демонстрациям телоуправления

Ограничения

Обучающая выборка включает 100 эпизодов с двумя статичными камерами, поэтому перенос на другие роботы, сцены и подвижные камеры может быть ограничен. Самоокклюзии не моделируются, а оценки видимости основаны только на нахождении точек перед камерой и внутри кадра.

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

Cosmos3-ours-RB-Y1

A Cosmos3-Nano multi-view video world model (Omni-4D) fine-tuned on RB-Y1 + WujiHand2 teleoperation with ego and exo views. Beyond video prediction it carries a 3D point-tracking head trained jointly with the backbone and explicit camera conditioning, so a rollout comes with per-frame 3D trajectories of the robot's arm and hand points.

Model details

Base modelnvidia/Cosmos3-Nano (Qwen3-VL-8B MoT backbone + diffusion expert)
Architecturecosmos3_omni, unified_3d_mrope, Omni-4D multi-view packing, + tracking_head, + camera_conditioner
Parameters15.22 B (incl. the Qwen3-VL ViT tower)
WeightsEMA weights, bf16 (tracking head and camera conditioner included)
Training iteration800 (of a 4000-step schedule)
Warm startthe Omni-4D stage-3 multi-view video+tracking model (0902_s3_full, iter 1068)

Training

  • Data — RB-Y1 WujiHand2 teleop, 100 episodes, 2 views (ego + exo) resized 1280×720 → 832×480. Per-episode captions.
  • 3D point tracks — 768 points per frame (512 on the arms, 256 on the hands) in the robot base frame, projected into both views; the exo view is the anchor (exact calibration). Visibility is "finite, in front of the camera and in bounds" only — no depth ships, so self-occlusion is not modelled.
  • Cameras — both cameras are static in the base frame (verified: zero pose variance on every episode), so the future camera stream is held constant.
  • Windows — 4n+1 tiling plus a tail window so every frame is supervised: 741 windows (703 train / 38 val).
  • Optimization — LR 1e-4, one linear schedule over 4000 steps.

Files

config.json, model-0000{1..7}-of-00007.safetensors, model.safetensors.index.json
checkpoint.json                 export provenance (use_ema_weights: true)
training_config.yaml            the full training config of the source run
dcp/iter_000000800/             the same checkpoint as a raw DCP (weights only, net + net_ema)

Usage

A standard consolidated Cosmos checkpoint, the same layout nvidia/Cosmos3-Nano ships:

hf download rooty2020/Cosmos3-ours-RB-Y1 --local-dir ./Cosmos3-ours-RB-Y1 --exclude "dcp/*"

torchrun --nproc_per_node=<N> -m cosmos_framework.scripts.inference \
    -i inputs.json -o outputs/ --checkpoint-path ./Cosmos3-ours-RB-Y1

The tracking head and camera conditioning are specific to Omni-4D; stock cosmos-predict without those modules loads the video backbone only.

Provenance

Exported from a PyTorch Distributed Checkpoint (iter 800) with python -m cosmos_framework.scripts.export_model --use-ema-weights. All 1069 net_ema tensors of the training checkpoint are present in the export (tracking head and camera conditioner included). The ViT tower is not in the training checkpoint and is taken from Qwen/Qwen3-VL-8B-Instruct at the revision pinned by the Cosmos framework.

License

Derived from nvidia/Cosmos3-Nano and governed by the NVIDIA Open Model License. The usual caveats about generated video (no guarantee of physical accuracy, not for safety-critical control) apply.

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
9fa1b23

0 моделей