← العودة إلى المدونة
Aiحوالي 1 دقيقة قراءة

إنفيديا تنشر أربعة نماذج عالم بـ16 مليار معامل، ثم إطار فك ترميز أسرع 25 مرة في الهندسة

نُشر في 11 نوفمبر 2026
إنفيديا تنشر أربعة نماذج عالم بـ16 مليار معامل، ثم إطار فك ترميز أسرع 25 مرة في الهندسة

في 5 نوفمبر وضعت NVIDIA أربع نسخ Cosmos 3 على Hugging Face. كل واحدة نسخة مدربة لاحقاً من Cosmos 3 Nano بـ16 مليار معامل، منشورة تحت OpenMDW1.1، وهي رخصة تسمح بالاستخدام التجاري وغير التجاري. وإلى جانب الأوزان نشرت الشركة وصفات التدريب اللاحق وكود الاستدلال، فيستطيع فريق تكييف النماذج مع منصته الحسية بدل تشغيلها كما شُحنت.

ثم، في اليوم التالي، شحنت NVIDIA إطار VFlash لفك الترميز، يهاجم جزءاً آخر من المشكلة نفسها. الإصداران أكثر إثارة معاً منهما منفصلين، لأن أحدهما عن توليد العالم والآخر عن سرعة قول أين تقع الأشياء فيه.

ما تفعله النسخ الأربع

Cosmos 3 عائلة نماذج أساس للعالم أُطلقت في يونيو بعمود فقري Mixture-of-Transformers: تتابع تلقائي انحدار يتولى الاستدلال، وتتابع انتشار يتولى التوليد، مع مشفّرات منفصلة لكل وسيط وفضاء تمثيل مشترك في الوسط. ويوجد حجمَان، Super وNano. وإصدار نوفمبر أربع نسخ متخصصة مدربة لاحقاً من الأصغر.

Cosmos3-Nano-Transfer-Auto يولّد بيانات قيادة خارج الخط. ينتج فيديو متزامناً عبر ما يصل إلى 11 زاوية كاميرا، بما فيها fisheyes، مع سحب نقاط LiDAR. ويُضبط تخطيط الطريق وسلوك المرور لكل كاميرا عبر World Scenario Map، ويُوجَّه المظهر بالنص.

منظر من الأعلى لعدسات كاميرا سوداء مطفأة مرتبة في شبكة دقيقة على سطح رمادي فاتح.

Cosmos3-Nano-Sim-Auto هو النسخة التدفقية المقطّرة سببياً من Transfer-Auto. يصدر قطعاً صغيرة من فيديو كاميرا متزامن وLiDAR في خطوات إزالة ضوضاء قليلة، وهذا ما تحتاجه للتشغيل التفاعلي الطويل بدل مقطع ثابت واحد.

Cosmos3-Nano-Sim-Transfer يأخذ تحكم محاكٍ فيزيائي مع مطالبة نصية ويعيد فيديو RGB واقعياً. تبقى الحالة الفيزيائية في المحاكي، ويُشرَّط النموذج على أربعة تحكمات مكانية: العمق والتجزئة والحواف والضبابية. هذا التقسيم هو الجزء المفيد. تحتفظ بالديناميكا التي تثق بها وتستعير البكسلات التي لا تملكها.

Cosmos3-Nano-Sim-Bimanual يتنبأ بإطار الفيديو التالي من حركات روبوت ثنائي اليد أو الكاميرا. ويدعم هيكلي YAM وAgiBot، وتسلسل تحكم واحد يمكنه التبديل بين تغيير وجهة النظر والتلاعب. ويستخدم مثال الحركة المختلطة في الوثائق 59 قيمة تحكم.

تفصيل التدريب الذي يستحق القراءة

نشرت NVIDIA وصفة من أربع مراحل: التكيّف ثنائي الاتجاه، والإجبار بالمعلم، والتقطير بالاتساق، والإجبار الذاتي.

الأخيرة هي التي يجب الانتباه إليها. الإجبار الذاتي يدرب النموذج على تاريخه المولّد بدل إطارات الحقيقة الأرضية فقط، وهو الحيلة المعيارية لإبطاء تراكم الخطأ في الفيديو التتابعي. إن دربت على سياق نظيف فقط، لا يتعلم النموذج التعافي من انحرافه، ويتراكم الانحراف حين يعمل حراً.

من شاهد فيديو ذكاء اصطناعي يتفكك خلال عشر ثوانٍ رأى العَرَض. ونشر الإصلاح في صيغة وصفة، مع أوزان وكود، أنفع من نشر عرض تجريبي آخر.

الجملة التي يجب أن تُقتبس أكثر

تقول NVIDIA إنه يبقى أن يُقاس هل تدعم هذه النماذج تعلّم السياسات وتقييمها بثبات.

هذا سطر صادق بشكل غير معتاد في إطلاق، ويجب أن يرافق كل قصة عن نماذج العالم المفتوحة. ما تقوله الشركة أن نموذج عالم ينتج فيديو مقنعاً لم يُثبت بذلك أنه بيئة تدريب مفيدة. السياسة التي تُدرّب داخل محاكٍ يُصوّر بجمال لكنه فيزيائياً خطأ ستتعلم الشيء الخطأ وتفشل في العالم الحقيقي، وسيبدو الفشل كهلوسة لا كخطأ فيزياء.

سدّ هذه الفجوة يحتاج تقييماً لا تملك معظم الفرق بنيته: خذ سياسة مدربة في العالم المولّد، وانشرها على عتاد حقيقي، وقس الفرق. هذا مكلف وبطيء وليس نوع النتائج التي تتسع في منشور إطلاق.

فالتأطير الأمين لهذا الإصدار أن NVIDIA سلّمت المجتمع أربعة مولّدات قوية مع الوصفات، وامتنعت صراحة عن ادعاء أنها تعمل كبيئات تدريب. والادعاء على المجتمع أن يكسبه.

VFlash، ولماذا الإحداثيات ليست كلمات

صُمم فك الترميز التتابعي للغة، حيث الرمز التالي وحدة معقولة. الهندسة ليست كذلك. يحتاج الروبوت نقطة قبض، واتجاهاً، ومساراً، وتوليدها إحداثياً بإحداثي بطيء وهش. كل تنبؤ يُشرَّط على سابقه، فينتشر الخطأ المبكر. عشرة نقاط طريق تعني عشر فرص للانحراف.

يستبدل VFlash التوليد رمزاً برمز بما تسميه NVIDIA فك الترميز البدائي السريع. يعلن النموذج طول المخرج عبر استدعاء أداة، ويعلن نوع البدائي، ثم يتنبأ نموذج مسودة خفيف بالكائن الهندسي كله بالتوازي بينما يبقى نموذج الرؤية واللغة الهدف مجمداً. وثلاث مشكلات هندسية يجب حلها ليعمل ذلك: محاذاة الحدود، بحيث تُقابل كتلة فك ترميز هندسة كاملة لا تُقطَّع بنافذة رموز؛ ومحاذاة الموضع، بحيث تقع الإحداثيات ونقاط الطريق دائماً في حقول ثابتة العرض؛ وتعلم بنية الهندسة، وهذا ما يُستخدم له نموذج المسودة.

نموذج المسودة محوّل غير سببي بخمس طبقات يُدرَّب بينما يبقى نموذج الرؤية واللغة الهدف مجمداً تماماً. ومهام النص الفرعية ما زالت تمر بفك ترميز تخميني. والكل إضافة، لا إعادة تدريب.

الأرقام محددة. على H100 بحجم دفعة واحد، يصل تنبؤ حركة النقاط ثلاثية الأبعاد إلى 25 ضعف سرعة التوليد الواحد. وفك ترميز حركات الروبوت أسرع حتى 12 مرة. والاستدلال الروبوتي من الطرف إلى الطرف أسرع حتى 5.1 مرة. وخطأ المسار ثلاثي الأبعاد ينخفض بما يصل إلى 61 في المئة، مع انخفاض متوسط خطأ الإزاحة ثلاثية الأبعاد 42.6 في المئة عبر ستة مقاييس على ShareRobot-Bench وVABench-V. وعلى DAVIS، يقلل تنبؤ الحركة الكثيف ثلاثي الأبعاد خطأ الإزاحة 27 في المئة. وتوليد الصناديق المحيطة على COCO وDense200 يعمل أسرع 2.6 إلى 2.8 مرة بدقة قريبة من الأساس.

وفي MolmoSpaces، يصل world action model مشرَّط بتخطيط VFlash البصري إلى 70.2 في المئة متوسط نجاح المهام مقابل 62.6 في المئة للأساس.

ملخص Jim Fan كان أن عصر نموذج الرؤية من النظام 1 قد وصل، وأن ثورة الاستدلال القادمة هي الاستدلال الفيزيائي بسرعة المنعكس. تسويق، لكن الاتجاه صحيح. التحكم بسرعة المنعكس يحتاج فك ترميز يصدر الهندسة في طلقة واحدة.

ما يجب أن يأخذه الفريق من الإصدارين

إن كنت تبني شيئاً يمس العالم المادي، فالقراءة العملية أن نصفي المكدس صارا أرخص للتو.

نصف التوليد: أربع نسخ بـ16B يمكنك تنزيلها، بتحكم مشهد لكل كاميرا، ومزامنة LiDAR، ووضع مشرَّط بالمحاكي يحفظ الفيزياء حيث تثق بها. والمتطلبات غير مبهرة: Linux، ووحدة GPU من NVIDIA، وDocker، وأدوات الحاويات.

نصف التحكم: إطار فك ترميز يحوّل نموذج رؤية ولغة مجمداً إلى شيء سريع بما يكفي للتخطيط بمعدلات التحكم، دون إعادة تدريبه.

النصف الذي لم يشحنه أحد هو التقييم. هل تنتقل سياسة مدربة على بيانات مولّدة بـCosmos إلى عتاد حقيقي سؤال مفتوح، وNVIDIA تقول ذلك. هذا هو العمل الذي سيحدد هل نماذج العالم المفتوحة اختصار لبيانات التدريب أم مُصيّر جميل جداً.

مقالات ذات صلة