<think>我们只需要根据内容生成摘要，不超过150字。需要概括Cosmos 3的核心功能、架构、训练数据、以及Q&A中的关键点。注意简洁。</think>Cosmos 3是NVIDIA推出的全模态世界基础模型，统一文本、图像、视频、音频与动作，支持场景理解、音视频生成、正/逆动力学推演及策略控制，并配套轻量化Edge版本。基于约百万小时视频训练，采用双塔架构与统一时间编码，旨在突破物理AI数据

世界模型就是一个图像生成模型，输出和任务相关的未来观测画面：输入当前观测画面 + 描述后续操作的语言指令，模型可预测两种画面 —— 约 4 秒后的短期场景，或是接近完成子目标的终态画面。但我们的实验证明，当经过多样的数据训练后，搭配目标图像条件的 VLA 泛化能力显著提升，可以完成仅靠语言指令无法实现的任务。一个更简单的有偏向的任务。目标图像生成器生成的图像，然后我们将目标图像作为条件输入给训练过

《代码随想录(Carl)》 数据结构与算法 职业素养+经验总结记录