Cosmos Policy

NVIDIA + Stanford · 2026-01

기타2026年の新モデル2B動画world model

事前学習済み動画モデルを構造変更なしで方策として学習した動画モデル方策である。

論文

バックボーンLLM: なし (動画拡散バックボーン)
ビジョンエンコーダ: —
アクションヘッド: アクション・未来状態・価値を潜在フレームとして生成 (動画world model)
チャンク: 50ステップ (2秒)
制御周期: 25 Hz
構造の原文要約: Cosmos-Predict2-2B-Video2World動画拡散モデル(構造変更なし); アクション・将来状態・価値を潜在フレームとして同時生成; ALOHAチャンク50ステップ(2秒)、制御 50→25 Hz

事前学習アクセラレータ: 該当なし (動画モデルから初期化、動画事前学習のコンピュートは未報告)
事前学習期間: 該当なし
事前学習ステップ・バッチ: 該当なし
GPU・TPU時間: 非公開
ファインチューニング: LIBERO H100 64基48時間(40K steps・バッチ1920); RoboCasa H100 32基48時間(45K・800); ALOHA H100 8基48時間(50K・200)
データ種類: シミュレーション・合成(LIBERO・RoboCasaの人によるテレオペレーションデモ) + 実ロボットのテレオペレーション(ALOHA)
データ規模: LIBEROデモ500本†(論文)/2000本(README); RoboCasaタスクあたり50本(24タスク、README 1200本); ALOHAタスクあたり15–80本(README 200本未満)
主要データセット: LIBERO, RoboCasa, ALOHA
タスク・評価: LIBERO平均98.5%; RoboCasa 67.1%(タスクあたりデモ50本、従来300本); 実機ALOHA平均スコア93.6
ロボット: シミュレーション単腕(LIBERO・RoboCasa)、実機双腕ALOHA

推論デバイス・速度: H100 1基で0.61 s(デノイジング5ステップ)、ALOHA 0.95 s(10ステップ); 計画探索はH100 8基で4.9 s
推論メモリ: 非公開
重み bf16(計算): 4 GB
実行場所: 非公開

強化学習: 一部 (価値学習・計画) · 方策は教師あり学習。ロールアウトのモンテカルロリターンで価値予測を学習し、best-of-Nのモデルベース計画に使用(論文はRLと呼んでいない)
強化学習の根拠: https://arxiv.org/html/2601.16163v1
ベース制御: 固定 · ベース制御なし (LIBERO・RoboCasaシミュレーション腕、実機ALOHA固定双腕)

主な特徴: 事前学習済み動画モデルを構造変更なしで方策として学習した動画モデル方策である。best-of-Nのモデルベース計画に対応する。
備考: 修正反映: コード・モデル・学習データ公開(例: nvidia/Cosmos-Policy-LIBERO-Predict2-2B)。ノートはVLA級の動画モデル方策に分類(タイプは動画・アクションの共同生成のためその他)。比較モデルπ0.5・π0・OpenVLA-OFT+もH100 8基×48時間の同一予算。DiTかどうかは出典に再記載なし。
検証: 修正反映