Nvidia lança Cosmos 3, o foundation model aberto para Physical AI

O Cosmos 3 não é só mais um modelo multimodal: é o primeiro foundation model aberto projetado desde a raiz para Physical AI, ou seja, para operar em tempo real no mundo físico, integrando percepção (visão, áudio, sensores), raciocínio e ação. Sua arquitetura mixture-of-transformer separa claramente o módulo de raciocínio visual (com atenção espacial explícita e grounding nativo, herança direta do LocateAnything lançado dois dias antes) do módulo gerativo, o que permite ajuste fino seletivo, por exemplo, treinar apenas o componente de ação com dados de robótica, sem reprocessar todo o modelo. Isso reduz custos em até 60% frente a abordagens monolíticas, segundo benchmarks internos citados em leaks pré-lançamento.

A escolha de torná-lo totalmente aberto, pesos, código de treinamento e pipeline de fine-tuning, é uma guinada estratégica: contrasta com o Nemotron Ultra 550B (open weights, mas sem código de treino) e com o Nemotron 3.5 Content Safety (fechado, voltado para compliance corporativo). O Cosmos 3 visa comunidades de pesquisa em robótica, veículos autônomos e automação industrial, não apenas desenvolvedores de apps de geração de conteúdo.

Na cobertura anterior, o CEVIU destacou que o Cosmos World Model ainda era um conceito em fase de validação com parceiros como Boston Dynamics e Siemens, mencionado como 'protótipo em testes reais' no artigo de 2 de junho sobre Video Agent Models. Agora, o Cosmos 3 é um produto lançado, com API pública, licença Apache 2.0, e suporte oficial para simulação física via PhysX SDK integrado. Também há mudança concreta na arquitetura: o modelo anterior usava um único transformer com tokens de ação embutidos; o Cosmos 3 introduz um tokenizador de ações discretas e um decoder de movimento paramétrico, permitindo execução direta em atuadores reais, algo que nem o M3 da MiniMax oferece, apesar de sua janela de 1 milhão de tokens.

Fundamentalmente, o Cosmos 3 muda a barreira de entrada para Physical AI: antes, só grandes laboratórios tinham acesso a world models com capacidade de grounding espacial e ação coordenada. Agora, startups podem rodar versões finetunadas em clusters de 8 H100s, e integrar diretamente com ROS 2 e NVIDIA Isaac Sim. Isso acelera ciclos de prototipagem em logística automatizada, manutenção preditiva e assistência médica robótica. Não é só mais um modelo grande: é uma infraestrutura aberta para sistemas que agem, não apenas respondem.