Cosmos3-Edge auf dem Mac: 113 Sekunden für fünf Sekunden Video

Am 7. November hat ein Entwickler unter dem Namen NetProjects einen MLX-Port von NVIDIAs Cosmos3-Edge veröffentlicht. Der volle Build ist 7,6 GB groß, der 8-Bit-Build 5,0 GB. Auf einem M5 Max mit 128 GB Unified Memory lief die 8-Bit-Version in 113 Sekunden durch NVIDIAs eigenes Bild-zu-Video-Beispiel, 832 mal 480 bei 121 Frames, mit einer Speicherspitze von 18,8 GB.
Lesen Sie diese Zahlen noch einmal in den Einheiten, auf die es ankommt. 113 Sekunden für etwa fünf Sekunden Video in 480p. Das ist ungefähr ein Frame pro Sekunde Rechenzeit, auf einem Laptop, für ein Modell mit vier Milliarden Parametern.
Die naheliegende Reaktion ist, dass das für Videoproduktion unbrauchbar ist. Die richtige Reaktion ist, dass es niemand dafür gebaut hat.
Was Cosmos3-Edge tatsächlich ist
Cosmos3-Edge ist ein World Model mit 4B Parametern. Es erzeugt Video in 256p oder 480p, 50 bis 150 Frames, aus Text oder aus einem Startbild. Es steht unter der Lizenz OpenMDW 1.1, die kommerzielle Nutzung erlaubt.
Das wichtige Wort ist World Model. NVIDIA hat diese Familie für Robotik und autonomes Fahren gebaut. Dort besteht die Aufgabe darin, vorherzusagen, was als Nächstes passiert, gegeben eine Szene und eine Aktion. Die Ausgabe ist eine Hypothese über Physik: Wenn das Fahrzeug diese Trajektorie hält, tritt der Fußgänger dann heraus, rutscht die Kiste, stößt der Arm ans Regal.
NVIDIAs eigene Model Card sagt, die Ausgaben „sollten nicht als physikalisch akkurate Simulation behandelt werden“. Dieser Satz ist das ganze Lastenheft. Das Modell soll Bewegung erzeugen, die plausibel genug zum Trainieren ist und auf messbare Weise falsch. Ein fotorealistisches Rendering, das die Impulserhaltung verletzt, ist schlechter als ein hässliches, das sie einhält, wenn der Abnehmer ein Policy-Netzwerk ist.
Die 480p-Obergrenze ist also keine Einschränkung, für die man sich entschuldigen müsste. Robotik-Training braucht kein 4K. Es braucht viele Varianten, schnell, billig und konsistent genug, dass eine darauf trainierte Policy in die reale Welt überträgt.
Warum der Mac-Port zählt
Weil er ändert, wer so ein Modell überhaupt laufen lassen kann.
Bisher bedeutete die Evaluierung eines World Models eine GPU-Zuteilung. Klein, aber real, mit Treiber-Stack, Container und dem Cluster von irgendwem. Das ist ein Filter. Er sorgt dafür, dass nur die Leute ein Modell anfassen können, die schon Infrastruktur haben, und die Leute mit der interessanten Robotik-Frage haben sie oft nicht.
Ein 5,0 GB großer 8-Bit-Build, der unter MLX auf Apple Silicon läuft, entfernt diesen Filter. Wer einen neueren Mac mit genug Speicher hat, kann über Nacht hundert Clips erzeugen, sie ansehen und sich eine Meinung bilden. So wird aus einer Forschungsrichtung ein Feld statt einer Demo.
Die Zahl 128 GB leistet hier Arbeit. 18,8 GB Speicherspitze heißt, die Maschine muss nicht das Topmodell sein. Ein Mac mit 32 GB sollte den 8-Bit-Build samt Platz für das System unterbringen. Die 113 Sekunden werden bei langsamerer Speicherbandbreite schlechter, aber überhaupt laufen zu können ist die Schwelle, auf die es ankommt.
Es gibt noch einen feineren Punkt zu MLX. Apples Framework ist auf Unified Memory optimiert, was zu dieser Last passt. Ein Diffusions-Videomodell mit 4B Parametern ist stärker bandbreiten- als rechengebunden. Deshalb ist der Port überhaupt plausibel, und deshalb performt er besser, als eine naive Schätzung über Teraflops vermuten ließe.
Die Einschränkungen sind real
Das ist ein inoffizieller Port. Der Autor schreibt klar, dass er nicht mit NVIDIA verbunden ist. Es gibt keine Demo. Als die Briefing-Seite die GitHub-Installationsseite laden wollte, schlug das fehl.
Ein 5-GB-Download, eine MLX-Umgebung und ein Modell ohne Demo sowie mit einer Installationsseite, die rendert oder auch nicht – das ist ein Wochenend-Artefakt von jemandem, der wissen wollte, ob es geht. Es ist kein Produkt. Behandeln Sie jede Performance-Angabe entsprechend, auch die 113 Sekunden, die ein einzelner Datenpunkt auf einer einzelnen Maschine mit einem einzelnen Beispiel sind.
Es gibt außerdem ein Lizenzdetail, das man lesen sollte, bevor man etwas Kommerzielles darauf baut. OpenMDW 1.1 erlaubt kommerzielle Nutzung, ist aber nicht Apache 2.0 und nicht MIT. Lesen Sie die Bedingungen, besonders wenn Sie Modellgewichte oder Ausgaben weitergeben wollen.
Und der übliche Qualitätsvorbehalt bei World Models. Füttern Sie es mit einem Foto einer Küche und einem Prompt über einen Roboterarm, der nach einer Tasse greift, und Sie bekommen Bewegung, die plausibel wirkt. Schauen Sie genau hin, und die Tasse ändert vielleicht die Form, der Arm geht durch die Arbeitsplatte, das Licht driftet. Genau diese Fehler will ein Robotikforscher messen. Genau diese Fehler kann ein Videoeditor nicht gebrauchen.
Was 113 Sekunden kaufen
Ich werde konkret bei diesem Tausch, weil die Zahl schlecht klingt und es wahrscheinlich nicht ist.
Wer Trainingsdaten für eine Manipulations-Policy erzeugt, braucht nicht zwanzig Clips. Er braucht Tausende, variiert über Licht, Objektpose, Kamerawinkel und Oberflächenmaterial. Eine Pipeline, die auf einem Laptop alle zwei Minuten einen Clip mit 121 Frames produziert, schafft etwa 700 Clips pro Tag, unbeaufsichtigt. Das ist ein brauchbarer Datensatz für ein kleines Experiment, und es kostet Strom.
Vergleichen Sie das mit gemieteter GPU-Zeit für dasselbe Volumen. Die Miete ist pro Clip schneller und verlangt eine ganze operative Schicht. Für einen Doktoranden oder ein Zwei-Personen-Startup, das prüft, ob ein World Model überhaupt der richtige Ansatz ist, gewinnt der Laptop bei der Zeit bis zum ersten Ergebnis, und das ist in dieser Phase die einzige Metrik, die zählt.
Das andere, was 113 Sekunden kaufen, ist Ehrlichkeit über den Maßstab. Wenn jeder Clip zwei Minuten Aufmerksamkeit der eigenen Maschine kostet, schauen Sie sie an. Sie bemerken die Fehler. Wenn jeder Clip vier Cent kostet und in einem Batch von fünfhundert ankommt, aggregieren Sie und gehen weiter. Langsamkeit ist ein Zwang, die eigenen Ausgaben tatsächlich zu lesen.
Das Muster, das man beobachten sollte
Was diese Woche zählt, ist das Timing. Der Port kam sechs Tage nach dem Release-Zyklus des Modells, von einer Einzelperson, kostenlos, auf Hardware, die NVIDIA nicht verkauft.
Der Diffusionspfad für offene Gewichte sieht inzwischen so aus. Ein Labor veröffentlicht Gewichte unter einer halbwegs permissiven Lizenz. Innerhalb einer Woche hat jemand einen MLX-Build, ein anderer eine GGUF-Quantisierung, ein dritter einen ComfyUI-Node. Die offiziellen Werkzeuge kommen Monate später, wenn überhaupt.
Für NVIDIA ist das überwiegend gut. Cosmos ist eine strategische Wette darauf, dass World Models das Trainingssubstrat für Physical AI werden, und ein Substrat wird wertvoller, je mehr Leute es laufen lassen können. Es an Datacenter-GPUs zu binden würde eine Marge schützen und ein Ökosystem verkleinern.
Für Apple ist es ein stiller Gewinn. Jeder dieser Ports ist ein Argument, dass Unified Memory für Inferenz-Workloads reicht, von denen man annahm, sie bräuchten eine diskrete Karte. Der M5 Max schlägt eine H100 in nichts. Er macht eine Modellkategorie für Leute lauffähig, die eine H100 nie anfassen werden.
Ob die 113 Sekunden den Kontakt mit mehr Nutzern überstehen, ist offen. Jemand wird es auf einem M4 Pro mit 24 GB laufen lassen, an eine Speicherwand stoßen und eine Korrektur posten. Das ist in Ordnung. Die nützliche Aussage ist, dass ein 4B-World-Model jetzt auf einen Laptop passt, und das ändert, wer sich eine Meinung über World Models erlauben kann. Die Geschwindigkeit ist eine Fußnote.
Verwandte Artikel
Google hat Coding-Agenten vom Laptop geholt, und der Berechtigungsdialog bleibt der Engpass
Die Leitungen sind fast gelöst. Der Berechtigungsdialog bleibt der menschliche Engpass.
NVIDIA gibt vier 16B-Weltmodelle frei, und der Teil ohne Benchmark ist Policy-Learning
NVIDIA sagt, es sei ungemessen, ob diese Modelle Policy-Learning tragen. Der Satz gehört in jede Geschichte über offene Weltmodelle.
Vier der Top-Repos auf GitHub sind heute Skill-Bibliotheken, und jetzt haben wir ein Packaging-Problem
Die Verbreitung läuft. Das interessante Scheitern sind vier nicht kompatible Wege, dasselbe Objekt zu installieren.
Thinking Machines liefert ein 594B-Modell und schiebt die Gewichte auf nächste Woche
Ein starkes Modell, ein dokumentiertes Rezept, eine unterschätzte Fähigkeit und ein Termin, den das Labor nicht zugesagt hat.