Cosmos Reason

Cosmos Reason to otwarty, konfigurowalny reasoning vision-language model (VLM) opracowany przez NVIDIA w ramach platformy Cosmos do Physical AI i robotyki. Umożliwia robotom i agentom wizyjnym rozumowanie przy użyciu wiedzy uprzedniej, rozumienia fizyki i zdrowego rozsądku, aby rozumieć i działać w świecie rzeczywistym. Model rozumie przestrzeń, czas i podstawową fizykę oraz może pełnić rolę modelu planującego, wnioskując o kolejnych krokach agenta embodied.

Architektura

Multimodalny LLM złożony z Vision Transformera (ViT) jako enkodera wizji oraz gęstego (dense) Transformera jako modelu językowego. Architektura sieci: Qwen2.5-VL-7B-Instruct — Cosmos Reason1-7B jest post-trenowany na bazie Qwen2.5-VL-7B-Instruct. Liczba parametrów: ViT 675,76 mln + LLM 7,07 mld + warstwa projekcji 545 mln (łącznie ok. 8 mld). Wideo/obraz są zamieniane na tokeny przez enkoder wizji i projektor, łączone z promptem tekstowym i podawane do rdzenia, który stosuje chain-of-thought, by odpowiadać krok po kroku.

Trening

Model jest post-trenowany danymi fizycznego zdrowego rozsądku i embodied reasoning z użyciem supervised fine-tuningu (SFT) oraz reinforcement learningu (RL). Wykorzystuje zdolności rozumowania łańcuchowego (chain-of-thought) do rozumienia dynamiki świata bez anotacji człowieka. Dane treningowe obejmują m.in. RoboVQA, BridgeDataV2, AgiBot, HoloAssist oraz dane jazdy autonomicznej (AV) zbierane i anotowane przez NVIDIA.

Zastosowania

Kuracja i anotacja danych (automatyzacja wysokojakościowej anotacji masowych zbiorów), planowanie i rozumowanie robotów (mózg dla modeli vision-language-action — robot rozkłada złożone polecenia na zadania i wykonuje je), oraz agenci analizy wideo (ekstrakcja wglądów i analiza root-cause z dużych wolumenów wideo). Model jest gotowy do użytku komercyjnego.

Dostępność

Wagi Cosmos Reason1-7B dostępne publicznie na Hugging Face na licencji NVIDIA Open Model License (użytek komercyjny dozwolony). Kod post-trainingu w repozytorium nvidia-cosmos/cosmos-reason1. Runtime: vLLM. Testowany sprzęt: H100, A100, GB200 (NVIDIA Hopper / Blackwell), precyzja BF16. Kolejna generacja — Cosmos Reason 2 — została udostępniona w październiku 2025. Rodzina Cosmos została następnie scalona w omni-model Cosmos 3 (COMPUTEX 2026).