NVIDIA Cosmos 扩充训练与评测工具，推 Cosmos Data Factory 蓝图

NVIDIA 于 10 月 22 日宣布扩充 Cosmos 平台，新增训练工具、仿真检查点（simulation checkpoints）与 Cosmos Data Factory 蓝图，目标是让开发者更快地训练、评测和部署世界模型。在 NVIDIA 的叙事里，世界模型是物理 AI 理解并模拟真实世界的基础设施。

Cosmos Data Factory 这次给出五套云原生蓝图：清洗与标注驾驶数据并补充难以采集场景的合成样本；把静态图片转成罕见或危险事件的合成视频；为检测模型生成印刷电路板、金属与玻璃缺陷图像；在保留场景结构的前提下改变天气与光照。

数据侧的另一处更新是 Cosmos Curator。这套 GPU 加速的视频数据集整理工具新增了对多模态、多传感器输入与处理模块的支持，训练数据不再局限于单一摄像头拍到的画面。

训练与部署环节被打包成面向智能体的技能：开发者可以对 GR00T、Alpamayo、QWEN、Pi0.5 等开放模型做微调与强化学习，用蒸馏和量化压缩，再通过 Cosmos NIM 微服务部署。NVIDIA 称在已验证配置下推理速度最高提升一倍而质量不降。

客户案例给出了具体数字：Porsche 在 Voxel51 中检索与增广自动驾驶数据，NVIDIA 称这有望把重复实车测试减少最多 90%、把开发周期缩短最多 85%；ANYbotics 生成了 1500 多段合成视频，用于训练工业巡检机器人识别液体泄漏；ADNOC 则在 65 个站点做实时安全风险检测，并用合成数据覆盖难以实地布置的危险场景。

NVIDIA 同时宣称，Cosmos 平台在六个不同的开放模型榜单上都进入前五。这是厂商自述、尚无第三方复核，但方向很清楚：NVIDIA 想卖的不只是算力，还有模型权重、数据工具与部署栈。

物理 AI 的真正瓶颈往往不是模型结构，而是长尾场景的数据——危险、罕见、难以实拍的工况。用蓝图化的合成数据管线去填这个缺口，是过去一年机器人公司与车企共同的痛点，也是 NVIDIA 把 Cosmos 从一个模型集合做成一座数据工厂的原因。

接下来的看点是开放程度与成本：合成数据能否在真实产线上稳定替代实拍，客户案例里的 90% 与 85% 能否被复现，以及各家开放权重世界模型之间会不会出现数据格式与工具链的割裂。