今日必看
Cosmos3-Edge 把世界模型压到 Jetson Thor 的动作闭环
NVIDIA 在 2026 年 7 月 20 日把 Cosmos3-Edge 放到 Hugging Face 的 Cosmos3 仓库中。它不是单纯的视频生成模型，而是 4B 参数的 open world model：模型卡写明它可以从文本、图像、视频和动作轨迹等输入生成文本、图像、视频和动作输出，并包含 Cosmos3-Edge-Policy-DROID、4-step Super 图像/视频蒸馏检查点等版本；许可证为 OpenMDW1.1，模型和 NVIDIA/cosmos 代码仓库同日标注发布。官方文章进一步给出端侧信号：Cosmos3-Edge 被定位为可在 Jetson Thor 侧运行的世界动作模型，面向机器人和视觉 AI agent，把场景理解、未来预测和动作生成放进同一个共享表征。模型卡 发布说明
这条动态的增量在于，NVIDIA 没有只发布一个更小的 VLM，而是在模型卡里直接列出动作输入/输出、DROID policy、Jetson AGX Thor T5000、Jetson T3000、Jetson T2000 和 AGX Orin 等平台的端侧测试表。PBR 表显示，Jetson AGX Thor T5000 在 eager Transformers 下，文本、图像、视频 reasoner 的端到端延迟分别为 3.60 秒、3.17 秒、3.25 秒；Jetson T3000 对应为 4.61 秒、3.83 秒、4.14 秒。Generator 的 vLLM-Omni 表还给出 forward dynamics、inverse dynamics 和 Policy DROID 延迟，但不同任务、分辨率和运行栈不能横向硬比。证据阶段是官方模型、代码和厂商 benchmark，还不是第三方真机复现。
一个可辩论判断是：物理 AI 的端侧竞争可能先从“端到端 VLA 谁更大”转向“谁能把世界预测、动作轨迹和可复现运行表放在同一个模型包里”。这会把 Jetson、DRIVE、RKNN、BPU、QNN、OpenVINO、Pulsar2 等平台的比较指标从 TOPS 和 demo 视频，推向 action chunk latency、视觉输入到动作输出抖动、失败轨迹回放、微调脚本和安全边界。证伪条件也明确：如果第三方在 Jetson Thor 或同级边缘 GPU 上复现不了动作策略延迟和成功率，或者真实机器人仍需要单独的 VLA/控制器接管动作，Cosmos3-Edge 更像一个有工程价值的仿真与数据生成底座，而不是端侧闭环控制入口。
对国内端侧厂商来说，这个信号比“又一个 NVIDIA 模型”更值得拆解。瑞芯微、地平线、黑芝麻、爱芯元智、高通和联发科的短期压力不是立刻复刻 4B 世界模型，而是补齐模型包外的工程证据：输入模态边界、动作表示、运行时 profile、失败样本格式、微调后的回归测试。只要这些证据缺口存在，整机厂在机器人和智能空间项目上会继续优先选择带模型、运行时、仿真和 benchmark 一体化的路线，即便单颗 SoC 的性价比更高。
算法 / 论文
RoboTTT：NVIDIA、Stanford 和 UT Austin 的 RoboTTT 论文页显示，该方法把 GR00T N1.7 类 VLA 的视觉运动上下文扩到 8K timesteps，通过 test-time training fast weights 压缩历史，并在真实双臂装配任务上报告相对 single-step baseline 平均提升 87%。价值信号是机器人模型开始把“长上下文”变成控制状态，而不只是语言 token 窗口；局限是目前主要是论文和项目页证据，代码与第三方复现还要继续看。主来源
VideoChat3：南京大学等团队 7 月 16 日提交 arXiv 2607.14935，项目页称其 4B video MLLM 使用 I3D-ViT 与 adaptive frame resolution，在视频输入上做 16 倍时空压缩，并公开 models、code、data、training recipe。它对端侧有启发：连续视觉理解的瓶颈不只是模型参数，而是把低分辨率观察、高分辨率确认和响应时机做成状态机；但 20.41 秒处理 2,048 frames 的结果是在 NVIDIA H200 条件下报告，不能直接外推到机器人板端。项目页 论文
新项目雷达
- Thinking Machines Inkling：Inkling 7 月 15 日在 Hugging Face 发布，模型卡显示 Apache-2.0、975B total / 41B active、文本/图像/音频输入和文本输出，模型文件更新到 7 月 23 日；vLLM recipe 给出 1M context、NVFP4、MTP、4x GB200 等部署路径。它不是端侧模型，但会影响端侧路线：开权重多模态大模型正把“可下载”与“可运行”分开，真正进入边缘生态要看量化、蒸馏和小模型 teacher 数据能否落地。模型卡 vLLM recipe
持续观察
验证指标：Cosmos3-Edge 后续最关键的不是 star 数，而是 Jetson Thor/T3000 上的第三方 action policy 复现、单任务成功率、端到端温升与功耗、action chunk jitter，以及
NVIDIA/cosmos是否把 DROID 以外的机器人 embodiment 训练脚本补齐。代码仓库非共识判断：多模态模型的下一轮端侧价值不会来自“把闭源旗舰能力压小一圈”，而来自能否把视频、动作、失败回放和微调数据变成平台厂商可测试的工程合约。若瑞芯微、地平线、高通、爱芯元智等生态后续仍只展示单模型跑分，不给 action / video trace 级验证工具，NVIDIA 在机器人端侧软件栈上的默认入口会继续扩大。参考来源
反向观察：如果 VideoChat3 这类 4B 视频理解路线在 H20、RTX AI PC、Jetson Thor 或国产 NPU 上被压到稳定低时延，而 Cosmos3-Edge 的动作输出仍停留在厂商样例，那么端侧模型栈会分化为“轻量视频感知 + 传统控制器”与“世界模型一体化”两条路。前者更利好通用 NPU 和 ISP 厂商，后者更利好 NVIDIA 这种能同时控制模型、CUDA/vLLM、仿真和开发板的全栈平台。参考来源
评论