NVIDIA lanzó Cosmos 3 hoy: un modelo de fundación abierto para IA física que produce ángulos de articulación y posiciones de pinza de forma nativa, lo que significa que el entrenamiento de políticas ya no pasa por una cabeza separada que traduce predicción de video a acción. La arquitectura es un Mixture-of-Transformers (MoT) de dos torres, un razonador visión-lenguaje que interpreta movimiento, interacciones entre objetos y contexto físico, y un generador que produce observaciones futuras y secuencias de acción mediante difusión. Dos tamaños se lanzan hoy: Cosmos 3 Nano (16B parámetros, estación de trabajo clase RTX PRO 6000) y Cosmos 3 Super (64B, centro de datos Hopper/Blackwell). Una variante Edge viene después. Los pesos están en HuggingFace bajo OpenMDW 1.1, la licencia permisiva de la Linux Foundation, entrenar, modificar, redistribuir.
El detalle del MoT que vale la pena pausar: la información fluye unidireccionalmente del razonador al generador. El razonador es un VLM autorregresivo que puede llamarse de forma independiente; el generador activa ambas torres. No es una arquitectura monolítica de sistema único, es razonador-luego-generador con el razonador parado por sí solo. La cabeza de acción es nativa: los datos numéricos de acción (ángulos de articulación, posiciones de pinza) conviven con las salidas de texto, imagen, video y sonido ambiente. NVIDIA reporta que Cosmos 3 lidera VANTAGE-Bench (niveles 32B y 8B), PAI-Bench, R-Bench, Physics-IQ y RoboLab entre los pesos abiertos. No aparecen comparaciones numéricas contra GR00T N1 o Gemini Robotics en los materiales de lanzamiento, y la historia de contaminación de cada leaderboard no se divulga. Opciones de cuantización (BF16, FP8, NVFP4) y seis conjuntos de datos sintéticos abiertos para post-entrenamiento se publican junto. El reporte técnico vive en research.nvidia.com/labs/cosmos-lab/cosmos3.
La Cosmos Coalition es la señal de ecosistema: Agile Robots, Black Forest Labs, Generalist, LTX, Runway y Skild AI se alinean como co-constructores. Esa carpa se extiende desde hardware humanoide (Agile, Skild) pasando por generación de media (BFL, Runway, LTX) hasta una capa de modelo de fundación (Generalist). La apuesta de NVIDIA es que el mismo sustrato MoT sirve a ambos mundos, datos sintéticos para políticas robóticas y generación de video de alta fidelidad para media. Para los builders escépticos de superposiciones de modelos de fundación sobre la percepción robótica, los que construyen desde primitivas como predictive coding, SLAM y stacks de visión ROS2, el MoT unidireccional está de hecho más cerca de tu campo de lo que el marketing sugiere. Separar «interpretar la escena» de «generar el siguiente estado» es la descomposición correcta; el razonador siendo independientemente llamable significa que puedes usarlo como cabeza de percepción y traer tu propio controlador. OpenMDW 1.1 deja eso legalmente limpio.
Lunes por la mañana, si entrenas políticas robóticas: Cosmos 3 Super es ahora tu mejor línea base abierta para generación de datos sintéticos, por delante de modelos de pura predicción de video porque la cabeza de acción es nativa. Si despliegas inferencia en edge o estación, Cosmos 3 Nano (16B) es el objetivo práctico, espera o vigila el Edge. Si construyes desde primitivas y no quieres un overlay de modelo de fundación, el razonador se llama solo bajo licencia permisiva, trátalo como línea base de percepción, no caja negra. Y antes de apostar tu infra a los claims del leaderboard, corre tu propio harness sobre una carga que se parezca a la tuya: los benchmarks que NVIDIA encabeza aquí son también los benchmarks que NVIDIA ayudó a definir.