工場のフロアにいるロボットは、シーンを見て、その変化を予測し、クラウドGPUへの往復よりも速く次の動作を決めなければなりません。NVIDIA が Cosmos 3 Edge を構築したのは、そのループのためです。これは Cosmos ファミリーで初めて 40 億パラメータまで小型化されたワールドモデルで、データセンターではなく、マシン自体で動作できます。Jetson クラスのハードウェア上でオンデバイスのロボット制御ループに役立ちますが、以下の数値が示すように、最高品質が必要なときに大きな Cosmos モデルをそのまま置き換えるものではありません。
Cosmos 3 Edgeとは
Cosmos 3 Edgeは、40億パラメータのオープンな「world model」です。これは、物理世界がどのように振る舞うかを学習し、運動、因果関係、そして行動の結果について推論できるようにするモデルです。NVIDIAは2026年7月20日に、Hugging FaceのCosmos 3リポジトリでこれを公開しました。
視覚、テキスト、音声（さらに画像、動画、行動軌跡）を入力し、推論トークン、動画、アクショントークンという3種類の出力を生成します。平たく言えば、1つのモデルが場面を見て、何が起きているのかを判断し、ロボットが次に取るべきモーター動作を出力し、通常は複数の別システムにまたがる「見る、推論する、行動する」というパイプラインをひとまとめにします。
その兄弟モデルとの違いは、どこで動作するかにある。Cosmos 3 Super と Nano は、2026年5月31日に GTC Taipei でファミリーとともに発表され、ワークステーションとデータセンターを対象としている。Edge は、ロボット、車両、または産業用カメラ自体で動作するように構築されたバリエーションだ。この発表により、NVIDIA の Cosmos Coalition も拡大し、Fanuc、Kawasaki Heavy Industries、Yaskawa、Sony、SoftBank などの日本のロボティクスおよび製造企業が、このプラットフォーム上で開発するために参加した。
オンデバイスの数値と、それがロボットにとって意味するもの
NVIDIAは、Jetson Thorモジュール上のEdgeについて3つの主要な数値を挙げています。それぞれは、具体的なエンジニアリング上の制約に変換されます:
- 15 Hz のリアルタイム制御。 このモデルは、約67ミリ秒ごとに知覚から行動までの完全なループを閉じます。これは、安定した操作やナビゲーションのような連続的な閉ループのロボット制御には十分な速さですが、高速な動的マヌーバーに必要なレートには及びません。
- 推論あたり32アクション。 1回の順伝播で、1ステップではなく短い*シーケンス*のアクションを出力します。ロボットは次の推論が実行される間に実行する計画済みの動作チャンクを受け取り、これが15 Hzのループをぎこちなくせず滑らかに保つ理由です。トレードオフは応答性です。チャンクを中断できないコントローラは予期しない事態への反応が遅れるため、アクションのチャンク化はリシーディングホライズン再計画と最も相性が良いです。
- 640×360 の観測。 これは、モデルがオンデバイスで推論する解像度です。物体の追跡や軌道予測には十分で、計算予算に収めるための意図的なトレードオフです。細かな視覚検査はこの解像度の用途ではありません。
より大きなハードウェアでのレイテンシーは、残りの全体像を補完します。1台のH100では、Edgeはロボットポリシー（DROIDアクション）を1.25秒で返し、順方向および逆方向のダイナミクス（次の世界状態を予測する、または2つの状態の間のアクションを推定する）をそれぞれ約3.6秒で実行します。画像から動画への完全な生成は23.92秒と重い処理であり、どこでモデルが安価か（アクションとダイナミクス）、どこで高価か（生成）を示しています。
4Bモデルがどのように推論し、行動するか
4億パラメータに理解と生成の*両方*を収められるのは、アーキテクチャのおかげです。Edgeは、マルチモーダル注意層を共有する2つのトランスフォーマータワーを動かします。ひとつは次のトークンを予測することで推論と理解を担う自己回帰タワー、もうひとつは反復的なノイズ除去によって生成を担う拡散タワーです。注意を共有しているため、モデルは自分が推論した内容に基づいて生成物を根拠づけることができ、「見てから行動する」を一連の受け渡しではなく、単一のネットワーク内で実現します。
Edgeは、ほかの兄弟モデルとはさらに1点異なります。Cosmos 3 NanoとSuperは事前学習済みのQwen3-VLの重みを基盤に構築されていますが、Edgeはエッジケース向けにゼロから学習された密なモデルです。その焦点こそが、ここで4Bモデルが同クラスで競える理由であり、単に大きなモデルを素朴に縮小したもののようには見えないのです。
Edge vs Nano vs Super: 実行する Cosmos 3 はどれか
3つのバリアントは、予算に応じて選ぶ同じものの階層ではありません。*モデルが実際にどこで動作するか*に合わせて用意されています。まずハードウェアを決め、それに応じてバリアントを選んでください。
| バリアント | パラメータ | 構成 | 対象ハードウェア | 最適用途 |
|---|---|---|---|---|
| Edge | 4B | Dense、ゼロから学習 | Jetson (incl. new T2000 / T3000), Jetson Thor, GeForce RTX, DGX | デバイス上でのリアルタイムロボットループ |
| Nano | 16B | 8B reasoner + 8B generator (Qwen3-VL) | RTX PRO 6000 workstation | ワークステーショングレードのリアルタイム推論 |
| Super | 64B | 32B reasoner + 32B generator (Qwen3-VL) | Hopper / Blackwell data center | 最高品質、オフライン生成 |
表を超えて、ほとんどのプロジェクトを左右するトレードオフは、容量とレイテンシーです。Edge はロボットに搭載できる唯一のバリアントですが、単一の密なスタックで推論と生成を時間分割して実行する必要があります。一方、Nano と Super はそれらを推論器と生成器の別々の半分に分割しているため、品質をさらに向上させられ、またそのためにワークステーションまたはデータセンターの GPU が必要になります。きめ細かな視覚的ディテール、高速制御、または最高忠実度の動画が要件の中心である場合は、Edge は除外してください。
ベンチマーク、文脈の中で
同様の4Bサイズのモデルの中で、Cosmos 3 Edgeは視覚分析においてVANTAGE-Benchで第1位を獲得しており、また、対象とする2つの用途であるロボットのポリシー学習において最先端です。生成に関しては、PAIBenchおよびRBenchスイートで競争力のある品質を備えた480p・24 fpsのimage-to-videoを生成し、専用の動画モデルと競合するというよりは、合成データやプレビュー生成に適しています。
それはより広いファミリーに合致します。Cosmos 3のラインアップ全体で、NVIDIAは7つの物理AIリーダーボードにおいてオープンモデルで第1位のランキングを報告しています。対象は推論（Robotics、Smart Space、Drivingの平均）と生成（R-Bench、Artificial Analysis、RoboLab、RoboArena）にまたがります。これらはベンダー報告の結果なので、「オンデバイスの知覚と制御において同クラスで最強」として読むべきであり、Cosmosモデル全体で最強という意味ではありません。
Cosmos 3 Edge の弱点
小型・オンデバイスは一連のトレードオフであり、採用を決める前にそれらを明確にしておく価値があります:
- 解像度の上限。 640×360 の観測は軌道予測には十分ですが、小さな欠陥の検査のような、細かな視覚的ディテールに依存するタスクには制約があります。
- 容量の上限。 4B パラメータでは、モデルが行える長期的推論と高忠実度生成の量に上限があります。品質がレイテンシより重要な場合は、Nano または Super が適切です。
- 適応は任意ではなく、前提です。 NVIDIA は、特定のロボット、センサー構成、または環境向けにベースモデルをカスタマイズするのに、小規模な H100 または DGX Station クラスタで約1日かかると文書化しています。これは速いですが、同時に、未知で構造化されていない環境におけるそのままの挙動は、通常まず調整が必要であることも示しています。
- 生成は二次的な能力です。 このモデルは動画を生成できますが、それが強みではありません。生成も可能な認識・行動モデルとして扱い、生成モデルとしては扱わないでください。
実行する方法
重みは huggingface.co/nvidia/Cosmos3-Edge で公開されており、商用利用とファインチューニングを許可するオープンなモデル重みライセンスである OpenMDW 1.1 ライセンスの下で提供されています。（初期の解説記事の中には Apache 2.0 と記載しているものもありましたが、モデルカードには OpenMDW 1.1 と記載されています。出荷前に、その帰属表示と配布条件についてライセンステキストを確認してください。）
デプロイに関して、NVIDIA は、vLLM のようなオープンな推論フレームワークを使ってチェックポイントを最適化することに加え、自社の NIM マイクロサービスや、モデルを Jetson ハードウェアへ載せるための ONNX エクスポートを推奨しています。この広範なファミリーは、Hugging Face Diffusers で Cosmos3OmniPipeline も提供しています。ロボティクスチームにとって現実的な流れは、Hugging Face からダウンロードし、自分たちのタスクデータでおよそ 1 日かけてファインチューニングし（NVIDIA のガイダンスによる）、その後エクスポートしてオンデバイスのターゲットへデプロイすることです。
同じweightsは、新しいT2000およびT3000を含むJetsonモジュール、Jetson Thor、GeForce RTXおよびRTX PRO GPU、そしてDGXシステムにわたって動作するため、同じモデルを開発者のデスクトップから展開先のマシンへ、書き換えなしで移行できます。
よくある質問
Cosmos 3 Edge はオープンソースですか?
この重みは OpenMDW 1.1 ライセンスの下で公開ダウンロード可能であり、商用利用とファインチューニングが認められています。そのため、これは API のみの公開ではなく、自分で実行して調整できる「open weights」です。学習コードとデータについては別の問題であり、ライセンス本文に明記されています。
Cosmos 3 Edge にはどのようなハードウェアが必要ですか?
これは、NVIDIA Jetsonモジュール（新たに発表されたT2000およびT3000を含む）とJetson Thor上でオンデバイス実行するように構築されており、GeForce RTXおよびRTX PRO GPU、さらにDGXシステムでも動作します。15 Hzの制御値は特にJetson Thorでのものとして示されているため、より小型のJetsonモジュールではより低いレートになると予想してください。
Cosmos 3 Edge はいつリリースされましたか?
Cosmos 3 Edge は 2026年7月20日にローンチされ、2026年5月31日の GTC Taipei で初めて発表された Cosmos 3 ファミリーに追加されました。
Cosmos 3 Edge か Nano: どちらを使うべきですか?
モデルがどこで動作するかによって選んでください。ロボットやカメラ自体で動作させる必要がある場合は、Edge (4B) を使用してください。機械のそばにあるワークステーションで動作させる場合は、Nano (16B) のほうが、追加の計算資源に対してより高い品質が得られます。