NVIDIA lançou Cosmos 3 hoje: um modelo de fundação aberto para IA física que produz ângulos de articulação e posições de garra de forma nativa, o que significa que o treinamento de políticas não passa mais por uma cabeça separada para traduzir previsão de vídeo em ação. A arquitetura é um Mixture-of-Transformers (MoT) de duas torres, um raciocinador visão-linguagem que interpreta movimento, interações entre objetos e contexto físico, e um gerador que produz observações futuras e sequências de ação via difusão. Dois tamanhos saem hoje: Cosmos 3 Nano (16B parâmetros, workstation classe RTX PRO 6000) e Cosmos 3 Super (64B, datacenter Hopper/Blackwell). Uma variante Edge vem em seguida. Os pesos estão no HuggingFace sob OpenMDW 1.1, a licença permissiva da Linux Foundation, treinar, modificar, redistribuir.

O detalhe do MoT que vale a pena pausar: a informação flui unidirecionalmente do raciocinador para o gerador. O raciocinador é um VLM autorregressivo que pode ser chamado de forma independente; o gerador ativa ambas as torres. Não é uma arquitetura monolítica de sistema único, é raciocinador-depois-gerador com o raciocinador em pé sozinho. A cabeça de ação é nativa: os dados numéricos de ação (ângulos de articulação, posições de garra) ficam junto com as saídas de texto, imagem, vídeo e som ambiente. NVIDIA reporta Cosmos 3 liderando VANTAGE-Bench (níveis 32B e 8B), PAI-Bench, R-Bench, Physics-IQ e RoboLab entre os pesos abertos. Nenhuma comparação numérica contra GR00T N1 ou Gemini Robotics aparece nos materiais de lançamento, e a história de contaminação de cada leaderboard não é divulgada. Opções de quantização (BF16, FP8, NVFP4) e seis conjuntos de dados sintéticos abertos para pós-treinamento são lançados em paralelo. O relatório técnico vive em research.nvidia.com/labs/cosmos-lab/cosmos3.

A Cosmos Coalition é o sinal de ecossistema: Agile Robots, Black Forest Labs, Generalist, LTX, Runway e Skild AI se alinham como co-construtores. Essa tenda se estende de hardware humanoide (Agile, Skild) passando por geração de mídia (BFL, Runway, LTX) até uma camada de modelo de fundação (Generalist). A aposta da NVIDIA é que o mesmo substrato MoT serve os dois mundos, dados sintéticos para políticas robóticas e geração de vídeo de alta fidelidade para mídia. Para builders céticos de sobreposições de modelos de fundação sobre percepção robótica, quem constrói a partir de primitivas como predictive coding, SLAM e stacks de visão ROS2, o MoT unidirecional está de fato mais perto do seu campo do que o marketing sugere. Separar «interpretar a cena» de «gerar o próximo estado» é a decomposição certa; o raciocinador sendo chamável independentemente significa que você pode usá-lo como cabeça de percepção e trazer seu próprio controlador. OpenMDW 1.1 deixa isso legalmente limpo.

Segunda-feira pela manhã, se você treina políticas robóticas: Cosmos 3 Super é agora sua melhor linha de base aberta para geração de dados sintéticos, à frente de modelos de pura previsão de vídeo porque a cabeça de ação é nativa. Se você roda inferência em edge ou workstation, Cosmos 3 Nano (16B) é o alvo prático, espere ou observe o Edge. Se você constrói a partir de primitivas e não quer um overlay de modelo de fundação, o raciocinador é chamável sozinho sob licença permissiva, trate-o como linha de base de percepção, não caixa preta. E antes de apostar sua infra nas alegações do leaderboard, rode seu próprio harness em uma carga que pareça com a sua: os benchmarks que NVIDIA lidera aqui são também os benchmarks que NVIDIA ajudou a definir.