NVIDIA、ロボット制御特化の 4B パラメータモデル Cosmos 3 Edge を公開──エッジデバイスで 15Hz のリアルタイム推論を実現
工場や倉庫などの環境下で、視覚情報からロボットの行動予測と制御をオンデバイスで完結させる世界モデル。
リリース: 2026-07-20 · 読了 3 分記事の要約
1. 核心（What）
- NVIDIA が 40 億パラメータのオープンな世界モデル Cosmos 3 Edge を Hugging Face で公開。
- Jetson Thor 上で 640×360 解像度の入力を処理し、15Hz の制御レートでリアルタイム推論が可能。
- VANTAGE-Bench のビジョン解析部門で 1 位を獲得し、ロボットポリシー学習においても SOTA を達成。
- DROID データセットで学習済みのピック・アンド・プレース用ポリシーモデルおよび学習レシピも同梱。
2. 影響（Why）
- エッジ推論の現実解: データセンター級の推論性能をメモリ制約のあるエッジデバイスで実現できるため、クラウド接続が困難な工場や物流現場での物理 AI 実装が加速する。
- 国内製造・物流現場への波及: 国内のFA機器メーカーや物流自動化を手掛ける中堅SIerは、Jetson T2000/T3000 を用いて、外部サーバーに依存しない低遅延なロボット制御システムを構築可能になる。
3. 根拠・詳細（How）
- デュアルタワー構成の採用: 推論・理解を担うオートレグレッシブタワーと、動画・行動生成を担う拡散タワーを統合。マルチモーダルアテンション層を共有することで、物理世界の因果関係をベクトル化して学習。
- 推論高速化の仕組み: Cosmos 3 Super 4-Step Distillation チェックポイントにより、拡散ステップを 35-50 ステップから 4 ステップに圧縮し、従来比で最大 25 倍の推論高速化を実現。
4. 展望・課題（Next）
- エコシステムの拡張: vLLM などのオープンな推論最適化フレームワークへの対応を進め、より幅広いハードウェア環境での動作をサポート予定。