原文標題：NVIDIA Cosmos Opens New Tools to Train, Evaluate and Deploy World Models

NVIDIA 10 月 21 日在 GTC Berlin 相關公告中更新 Cosmos 平台，讓研發機器人、自動駕駛與工業視覺的團隊，能從訓練資料整理、合成資料生成、世界模型訓練，到模擬評估與部署使用較完整的工具鏈。這次更新涉及 Cosmos Data Factory、Cosmos Framework、Cosmos 3 Nano 模型與 Cosmos 3 NIM 微服務，而非只推出單一新模型。

Cosmos Data Factory 的 Cosmos Curator 加入多模態、多感測器輸入及處理模組，協助整理影片與不同感測器資料。官方列出五種雲端原生藍圖：自動駕駛資料集生成，可標記駕駛資料並補上罕見情境；影像屬性增強，可改變物件外觀；事件影片生成，可從靜態影像合成罕見或危險事件影片；瑕疵影像生成，可建立印刷電路板、金屬與玻璃缺陷樣本；影片資料增強，可在保留場景結構下調整天氣與光線。工具可透過 GitHub，以及 Microsoft Azure、Nebius、CoreWeave 等環境取得。

官方案例包括 Porsche 透過 Voxel51 在 Microsoft Azure 使用 Cosmos Data Factory，規劃在 Volkswagen Group 品牌間建立共用的自動駕駛資料循環。NVIDIA 表示這套流程預期可使重複實車測試減少最多 90%、開發週期縮短最多 85%，這些是特定案例的預期效益，不能當成所有車廠均可達到的結果。ANYbotics 則利用資料工廠建立超過 1,500 段合成影片，再透過 Encord 驗證，用於訓練工業巡檢機器人辨識液體洩漏與環境變化；Ultralytics 也以真實影像與合成缺陷重新訓練 YOLO 模型。

在模型訓練方面，Cosmos Framework 將訓練、微調、強化學習、蒸餾、量化與部署流程擴充為可供代理使用的技能，適用於 Cosmos 3，以及 GR00T、Alpamayo、Qwen、Pi0.5 和相容的 Hugging Face 模型。研究團隊 MicroAGI 以人類操作物體的第一人稱影片後訓練 Cosmos 3，並把 320 億參數的推理模型蒸餾為 80 億參數 Nano 版本；官方宣稱在該案例中未犧牲準確度。Roboflow 提供標記與後訓練管道，支援在託管或企業自有 NVIDIA GPU 上部署。

新的 Cosmos 3 Nano 模擬變體用於重複、難以實地取得的多視角與多感測器場景，協助測試自動駕駛和雙手機器人的控制策略。新版 Cosmos 3 NIM 微服務在經驗證的配置下，官方宣稱推論速度最高提升兩倍，且品質未降低；以此建構的 Metropolis Video Search and Summarization 3.3 藍圖，則宣稱可在相同 GPU 上監控多 40% 的影片串流。ADNOC 透過 Fogsphere 的 MistIQ 平台在 65 個場址偵測安全風險，並用合成資料改善罕見事件辨識。

這些成果來自不同案例與特定驗證條件，官方並未給出所有 Cosmos 模型在各種 GPU、工作負載與地區的統一售價或效能保證。開發團隊仍需針對合成資料偏差、模擬與實際環境落差，以及部署硬體的相容性進行獨立測試。

發生了什麼事

NVIDIA 擴充 Cosmos 的資料生成、模型訓練、模擬與推論工具，並公開五種資料工廠藍圖與多個工業導入案例。

為什麼重要

世界模型需要大量難以取得的場景資料；資料工廠與模擬工具可降低測試門檻，但合成資料能否反映真實世界仍需實際驗證。

影響哪些人

自動駕駛研發商、機器人開發者、工廠視覺團隊、雲端服務商及使用 NVIDIA GPU 的模型工程師。

已確認與未確認

官方已列出工具、合作平台、部分案例與效能數據；90%、85%、2 倍與 40% 均屬特定條件或預期成果，並非通用保證。