英伟达放出四个开放权重世界模型，驾驶和机械臂都能用，就差第三方验货
自动驾驶最怕的，不是满街都有的常规路况，而是一辈子碰不上几回、碰上就出事的怪场面。可你总不能为了练这个，真去街上造一次险情。
11 月 5 日，NVIDIA 在 Hugging Face 博客上宣布，Cosmos 3 家族新增四个开放权重的 checkpoint：Cosmos3-Nano-Transfer-Auto、Cosmos3-Nano-Sim-Auto、Cosmos3-Nano-Sim-Transfer 和 Cosmos3-Nano-Sim-Bimanual。四个都是 Cosmos 3 Nano 的后训练版本，官方标注可训练参数 16B，协议是 OpenMDW1.1，商用和非商用都允许。这四个模型把世界模型从“生成好看的视频”往“能被动作牵着走的模拟器”推了一步，但它们到底有多靠谱，眼下只有 NVIDIA 自己的演示，没有第三方验证。
四个名字一堆后缀，到底各管啥？
先说两个管“车”的。Transfer-Auto 是离线造数据的，官方说它能生成最多 11 路摄像头的同步视频，鱼眼也算，还能同时生成 RGB 和 LiDAR。你用场景地图控制画面里的路和车怎么动，再用文字改天气、光线、白天黑夜。
Sim-Auto 是 Transfer-Auto 蒸馏出来的流式版本。打个比方，前者像拍完再剪的电影，后者像直播：一小段一小段往外吐摄像头和激光雷达画面，每段只要很少几步去噪，还能根据新的驾驶操作接着往下演。
再说两个管“机器人”的。Sim-Transfer 的思路很有意思：物理仿真器照旧负责算运动、接触和物理状态，模型只负责“上色”，把深度、分割、边缘这些控制信号变成策略能直接吃的彩色画面。物理归仿真器，外观归模型，分工挺清楚。
Sim-Bimanual 更直接，给一张图，动一动机器人或者相机，它就生成下一批画面。官方说支持 YAM 和 AgiBot 两种双臂本体，可以让策略控制，也可以人拿摇杆操作。
跟六月那一波 Cosmos 3 比，变了啥？
Cosmos 3 在 6 月初首发，按官方 GitHub 发布说明，当时是 Nano（16B）和 Super（64B）两档底座，号称文本、图像、视频、音频、动作一锅端的全模态世界模型。
那次放的是“底座”，这次放的是“样板间”。Hugging Face 上这批模型归在 Cosmos3-Examples 合集里，意思很明白：底座你拿去，具体怎么调成驾驶版、机器人版，我把配方也给你。这是典型的先铺平台、再补应用，算常规迭代，不算转向。
配方里有一段我觉得值得讲。流式模型训练分四个阶段，最后一步叫 self-forcing，让模型在训练时就吃自己生成的历史画面。
为啥要这么折腾？因为一个物体画歪一点，就会变成后面所有帧的参考，错误越滚越大，跟抄了一份错作业接着往下抄一个道理。官方这个思路是对症的，至于效果多好，得看后面有没有人拿长序列去压测。
开放到底值多少钱？
先看同一赛道的玩家。Waymo 在 2 月发布了 Waymo World Model，基于 Google DeepMind 的 Genie 3，同样输出摄像头和激光雷达数据，支持驾驶动作、场景布局和语言三种控制。Wayve 的 GAIA-3 是 2025 年 12 月发布的 150 亿参数模型，定位是评估自家的自动驾驶系统。
这两家的东西，都是围绕自己车队和自己硬件打造的内部工具。The Decoder 在报道 Waymo 时还特意指出，对方没有公布跑分，也没有独立评测。
NVIDIA 给的是另一种东西：权重、后训练配方、一套可以适配你自己传感器布局的路径。官方的建议是先用你的数据后训练 Transfer-Auto，再蒸馏成 Sim-Auto。对没有 Waymo 那种车队的团队，这是个现成的起点，我们 AI主线 觉得这才是这次发布最实在的价值。
协议这块再补一句。OpenMDW-1.1 是 Linux 基金会在 5 月 28 日发布的宽松协议，一般不要求你公开微调后的权重。它 8 月提交给了 OSI 审核，LWN 的报道提到，社区对其中的终止条款还有争议。商用团队让法务过一眼，不亏。
谁该现在就上手，谁先看热闹？
门槛先摆出来：要 Linux、NVIDIA GPU、Docker 和 NVIDIA Container Toolkit。官方公布的 vLLM-Omni 示例是在一块 GB200 上测通的，同时特别声明这不是最低显存要求。
翻译一下：官方没告诉你最低要多少卡。想在家里的游戏本上随手跑跑的玩家，先别抱期待。
还有个细节挺有意思：官方每个模型都配了“skill”，让你直接把它丢给自己的 coding agent，让 agent 去跑推理和后训练。拿 AI 来装配世界模型，这个路数在圈里算新鲜，不过我没法替官方保证体验，只能说方向对。
另外别误会 Sim-Auto。官方自己写明，要让车“开一步、画面变一步”，还得你自己接一套仿真运行时和场景渲染器，单靠这个模型是转不起来的。
最让我在意的是官方的一句坦白：接下来的工作，是衡量这些模型在哪些地方能忠实地支撑策略学习和评估，摸清局限。翻成大白话就是，画得像，不等于物理对，更不等于拿它评出来的分数能信。
所以我们 AI主线 接下来盯一件事：有没有第三方拿这些 checkpoint 做策略评估，再把结果跟真车、真机的表现对一对。对得上，这批模型才算真的进了工程师的工具箱；对不上，就还是一场好看的演示。