NVIDIA、ロボット制御向けモデル Cosmos 3 Edge を公開──Jetson Thor で動く 4B オムニモデル
4B パラメータのワールド基盤モデルをエッジ環境に最適化し、NVIDIA Jetson Thor 上でリアルタイム推論とマニピュレーション制御を完全にローカル完結させる。
リリース: 2026-08-19 · 読了 4 分記事の要約
1. 核心（What）
- NVIDIA はロボット向けワールド基盤モデル「Cosmos 3 Edge」を発表し、エッジでのオンボード制御を実現した。
- モデル規模は 4B（うち 2B は NVIDIA Nemotron ベースの推論器）で、 BF16 形式で約 9 GB の重みを持つ。
- NVIDIA Jetson AGX Thor T5000 上で動作し、OpenPI プロトコルに準拠した WebSocket ポリシーサーバーとして機能する。
- 公式の nvidia/Cosmos3-DROID データセットを利用したポストトレーニングのレシピとコードが cosmos-framework リポジトリで公開されている。
2. 影響（Why）
- クラウドレスなリアルタイム制御: Jetson Thor のオンボードメモリにモデル全体が収まるため、データセンター側の GPU を経由せずロボット単体で推論を完結させられる。
- 物理理解に基づく学習効率: オブジェクトの運動や接触といった物理法則の事前知識を備えたワールドモデルからスタートするため、タスク特化のゼロからの学習コストを削減できる。
3. 根拠・詳細（How）
- Jetson Thor 上での推論パイプライン: Jetson AGX Thor T5000 で 640×540 解像度・15 Hz の処理を行い、約 2.13 秒分のモーションをカバーするアクションチャンクを約 1.53 秒で生成する。
- 分散チェックポイントへの変換と学習: CPU 上でベースモデルを distributed-checkpoint (DCP) 形式に変換し、64 ノードの 4× GB200 スーパーチップ環境を用いて 60K イテレーションの SFT を実施する。
4. 展望・課題（Next）
- 対応ハードウェアと環境の制約: 検証済みハードウェアは GB200 Grace Blackwell Superchip 等の高スペック環境であり、実運用時のローカル学習コストが課題となる。