物理AI向けのCosmos World Foundationモデルプラットフォーム

Cosmos World Foundation Model Platform for Physical AI

January 7, 2025

著者: NVIDIA, Niket Agarwal, Arslan Ali, Maciej Bala, Yogesh Balaji, Erik Barker, Tiffany Cai, Prithvijit Chattopadhyay, Yongxin Chen, Yin Cui, Yifan Ding, Daniel Dworakowski, Jiaojiao Fan, Michele Fenzi, Francesco Ferroni, Sanja Fidler, Dieter Fox, Songwei Ge, Yunhao Ge, Jinwei Gu, Siddharth Gururani, Ethan He, Jiahui Huang, Jacob Huffman, Pooya Jannaty, Jingyi Jin, Seung Wook Kim, Gergely Klár, Grace Lam, Shiyi Lan, Laura Leal-Taixe, Anqi Li, Zhaoshuo Li, Chen-Hsuan Lin, Tsung-Yi Lin, Huan Ling, Ming-Yu Liu, Xian Liu, Alice Luo, Qianli Ma, Hanzi Mao, Kaichun Mo, Arsalan Mousavian, Seungjun Nah, Sriharsha Niverty, David Page, Despoina Paschalidou, Zeeshan Patel, Lindsey Pavao, Morteza Ramezanali, Fitsum Reda, Xiaowei Ren, Vasanth Rao Naik Sabavat, Ed Schmerling, Stella Shi, Bartosz Stefaniak, Shitao Tang, Lyne Tchapmi, Przemek Tredak, Wei-Cheng Tseng, Jibin Varghese, Hao Wang, Haoxiang Wang, Heng Wang, Ting-Chun Wang, Fangyin Wei, Xinyue Wei, Jay Zhangjie Wu, Jiashu Xu, Wei Yang, Lin Yen-Chen, Xiaohui Zeng, Yu Zeng, Jing Zhang, Qinsheng Zhang, Yuxuan Zhang, Qingqing Zhao, Artur Zolkowski

cs.AI

要旨

物理AIは最初にデジタルで訓練される必要があります。それ自体のデジタルツイン、ポリシーモデル、および世界のデジタルツイン、世界モデルが必要です。本論文では、開発者が物理AIセットアップ用のカスタマイズされた世界モデルを構築するのを支援するCosmos World Foundation Model Platformを提案します。私たちは世界基盤モデルを、下流アプリケーション向けにカスタマイズされた世界モデルに微調整できる汎用世界モデルと位置付けています。当社のプラットフォームは、ビデオキュレーションパイプライン、事前トレーニング済みの世界基盤モデル、事前トレーニング済みの世界基盤モデルのポストトレーニングの例、およびビデオトークナイザをカバーしています。物理AIビルダーが当社の社会の最も重要な問題を解決するのを支援するために、当社のプラットフォームをオープンソース化し、当社のモデルをオープンウェイトとし、許可されたライセンスを使用してhttps://github.com/NVIDIA/Cosmosから利用できるようにしています。

English

Physical AI needs to be trained digitally first. It needs a digital twin of itself, the policy model, and a digital twin of the world, the world model. In this paper, we present the Cosmos World Foundation Model Platform to help developers build customized world models for their Physical AI setups. We position a world foundation model as a general-purpose world model that can be fine-tuned into customized world models for downstream applications. Our platform covers a video curation pipeline, pre-trained world foundation models, examples of post-training of pre-trained world foundation models, and video tokenizers. To help Physical AI builders solve the most critical problems of our society, we make our platform open-source and our models open-weight with permissive licenses available via https://github.com/NVIDIA/Cosmos.