NVIDIA amplia Cosmos com ferramentas para treinar e implantar world models
A NVIDIA expandiu o Cosmos com Data Factory, Framework e checkpoints de simulação para acelerar world models de IA física, com casos da Porsche, ANYbotics e ADNOC.
Foto: Elias Gamez (Pexels)
A NVIDIA expandiu a plataforma Cosmos com novas ferramentas de treinamento, checkpoints de simulação e blueprints do Cosmos Data Factory. O objetivo é acelerar a construção de world models — modelos que ajudam sistemas de inteligência artificial (IA) física a entender e simular o mundo real.
Segundo o blog da empresa, a plataforma figura entre as cinco primeiras em seis rankings de modelos abertos e oferece aos desenvolvedores modelos abertos de fronteira, além de dados, ferramentas de treino e otimização e receitas para escalar dados, adaptar modelos, testar comportamento e otimizar desempenho antes da implantação.
O que aconteceu
As novas peças do Cosmos aceleram pipelines de dados, permitem treinar, avaliar e otimizar world models com mais eficiência e buscam melhorar a precisão a custo menor. O Cosmos Data Factory reúne ferramentas e habilidades para rotular, curar, aumentar e avaliar dados em escala no treino de IA física. O Cosmos Curator, solução acelerada por GPU para curadoria de conjuntos de vídeo, passou a aceitar entradas multimodais e multissensoriais e novos blocos de processamento.
Cinco blueprints nativos em nuvem estão disponíveis via GitHub, Microsoft Azure, Nebius e CoreWeave: geração de conjuntos para veículos autônomos; aumento de atributos de imagem; geração de vídeo de eventos a partir de fotos; geração de imagens de defeitos em placas, metal e vidro; e aumento de dados de vídeo com mudanças de clima e iluminação sem alterar a estrutura da cena.
Casos citados incluem a Porsche, que lidera um flywheel de dados de veículos autônomos compartilhado entre marcas do grupo Volkswagen, usando o Cosmos Data Factory via Voxel51 no Azure — com expectativa de reduzir em até 90% testes físicos repetidos e encurtar ciclos de desenvolvimento em até 85%. A ANYbotics gerou mais de 1.500 clipes sintéticos para treinar robôs de inspeção industrial. A Ultralytics retreinou seu modelo YOLO com imagens reais e defeitos sintéticos, melhorando localização e recall de falhas.
Na GTC Berlin, a NVIDIA estendeu o Cosmos Framework — framework aberto e modular de treino e otimização — e o Cosmos 3, permitindo adaptar modelos abertos como GR00T, Alpamayo, QWEN e Pi0.5 via fine-tuning e aprendizado por reforço, otimizar com destilação e quantização e implantar com inferência de alto desempenho. O laboratório MicroAGI pós-treinou o Cosmos 3 e destilou um reasoner de 32 bilhões de parâmetros para um Nano de 8 bilhões sem perda de precisão. Variantes Cosmos 3 Nano para simulação permitem testar políticas autônomas em cenários multiview e multissensoriais; microserviços NIM do Cosmos 3 prometem até 2 vezes mais velocidade de inferência sem perda de qualidade em configurações validadas. O Metropolis Blueprint for video search and summarization (VSS) 3.3 ajuda a monitorar 40% mais streams de vídeo com a mesma GPU. A ADNOC usa a plataforma MistIQ da Fogsphere, construída com Cosmos e o blueprint Metropolis VSS, para detectar riscos de segurança em tempo real em 65 sites.
O que isso pode mudar
Se a adoção dos blueprints e do framework se espalhar, fabricantes e operadores de robôs e veículos autônomos poderiam depender menos de coleta física cara e de eventos raros encenados no mundo real, encurtando ciclos de desenvolvimento. A combinação de dados sintéticos, pós-treino em modelos abertos e simulação fechada pode baratear a adaptação de world models a fábricas, armazéns e operações industriais — embora os ganhos citados pela NVIDIA ainda dependam de validação em cada ambiente e de infraestrutura de GPU adequada.
Em tese, o empacotamento modular — Data Factory para dados, Framework para treino e NIM para implantação — poderia padronizar o caminho da experimentação ao deploy, aproximando times menores das capacidades que hoje exigem pipelines internos complexos. O impacto prático, porém, deve variar conforme qualidade dos dados, requisitos regulatórios e integração com sistemas legados.
Fontes: NVIDIA Blog
Fontes: NVIDIA Blog
Leia mais em: mundodosnegocio.com.br