← Torna al blog
Aicirca 6 min di lettura

Il world model da 4B di NVIDIA ora gira su un Mac. Non è una macchina da presa

Pubblicato 11 nov 2026
Il world model da 4B di NVIDIA ora gira su un Mac. Non è una macchina da presa

Il 7 novembre uno sviluppatore che firma NetProjects ha pubblicato un port MLX di Cosmos3-Edge di NVIDIA. La build completa è 7,6 GB. La build a 8 bit è 5,0 GB. Su un M5 Max con 128 GB di memoria unificata, la versione a 8 bit ha eseguito l’esempio image-to-video di NVIDIA, 832×480 a 121 frame, in 113 secondi, con un picco di memoria di 18,8 GB.

Rileggi quei numeri nelle unità che contano. 113 secondi per generare circa cinque secondi di video a 480p. Sono all’incirca un frame al secondo di calcolo, su un portatile, per un modello da quattro miliardi di parametri.

La reazione ovvia è che non serve a fare video. La reazione corretta è che nessuno l’ha costruito per fare video.

Cos’è davvero Cosmos3-Edge

Cosmos3-Edge è un world model da 4B parametri. Genera video a 256p o 480p, da 50 a 150 frame, da testo o da un’immagine iniziale. È rilasciato con licenza OpenMDW 1.1, che permette l’uso commerciale.

La parola importante è world model. NVIDIA ha costruito questa famiglia per la robotica e la guida autonoma, dove il compito è prevedere cosa succede dopo, dati una scena e un’azione. L’output è un’ipotesi sulla fisica: se il veicolo mantiene questa traiettoria, il pedone esce, la cassa scivola, il braccio urta lo scaffale.

La model card di NVIDIA dice che gli output «non vanno trattati come simulazione fisicamente accurata». Quella frase è l’intero brief di progetto. Il modello deve produrre movimento abbastanza plausibile da addestrarci sopra, e sbagliato in modi che puoi misurare. Un render fotorrealistico che viola la conservazione della quantità di moto è peggio di uno brutto che la rispetta, se il consumatore a valle è una policy network.

Quindi il tetto a 480p non è un limite di cui scusarsi. L’addestramento robotico non ha bisogno di 4K. Ha bisogno di molte varianti, veloci, economiche e coerenti abbastanza che una policy addestrata su di esse si trasferisca nel mondo reale.

Perché il port per Mac conta

Perché cambia chi può eseguirlo.

Fino a oggi valutare un world model significava un’allocazione di GPU. Piccola, ma reale, con uno stack di driver, un container e il cluster di qualcuno. È un filtro. Significa che le persone che possono mettere le mani su un modello sono quelle che hanno già infrastruttura, e le persone che hanno la domanda robotica interessante spesso non ce l’hanno.

Una build a 8 bit da 5,0 GB che gira su Apple silicon sotto MLX rimuove il filtro. Chiunque abbia un Mac recente e abbastanza memoria può generare cento clip in una notte, guardarle e farsi un’opinione. È così che una direzione di ricerca diventa un campo invece di una demo.

Il numero di 128 GB qui fa il suo lavoro. Un picco di 18,8 GB significa che la macchina non deve essere il top di gamma. Un Mac da 32 GB dovrebbe contenere la build a 8 bit con spazio per il sistema. I 113 secondi peggioreranno con una banda di memoria più lenta, ma la possibilità di eseguirlo è la soglia che conta.

C’è anche un punto più sottile, specifico di MLX. Il framework di Apple è ottimizzato per la memoria unificata, che si adatta bene a questo carico. Un modello video in stile diffusione da 4B è limitato dalla banda di memoria più che dal calcolo. È per questo che il port è plausibile in primo luogo, e che rende meglio di quanto suggerirebbe una stima ingenua basata sui teraflop.

Le cautele sono reali

È un port non ufficiale. L’autore dichiara chiaramente di non essere affiliato a NVIDIA. Non c’è una demo. Quando il sito di rassegna ha provato a caricare la pagina di installazione su GitHub, il caricamento è fallito.

Un download da 5 GB, un ambiente MLX e un modello senza demo e con una pagina di installazione che può o non può renderizzare sono un artefatto da fine settimana, di qualcuno che voleva vedere se funzionava. Non è un prodotto. Tratta qualsiasi dichiarazione di prestazioni di conseguenza, compresi i 113 secondi, che sono un singolo dato su una singola macchina con un singolo esempio.

C’è anche un dettaglio di licenza da leggere prima di costruirci sopra qualcosa di commerciale. OpenMDW 1.1 permette l’uso commerciale, ma non è Apache 2.0 e non è MIT. Leggi i termini, soprattutto se pensi di distribuire i pesi del modello o gli output.

E la solita cautela di qualità per i world model. Dagli la foto di una cucina e un prompt su un braccio robotico che prende una tazza, e otterrai un movimento che sembra plausibile. Guarda da vicino e la tazza può cambiare forma, il braccio può attraversare il piano di lavoro, la luce può derivare. Quei fallimenti sono esattamente ciò che un ricercatore di robotica vuole misurare. Sono esattamente ciò che un montatore video non può usare.

Cosa ti comprano 113 secondi

Sii concreto sullo scambio, perché il numero suona male e probabilmente non lo è.

Se stai generando dati di addestramento per una policy di manipolazione, non ti servono venti clip. Te ne servono migliaia, varie per illuminazione, posa dell’oggetto, angolo di camera e materiale della superficie. Una pipeline che produce una clip da 121 frame ogni due minuti su un portatile produce circa 700 clip in un giorno, senza sorveglianza. È un dataset usabile per un piccolo esperimento, e costa elettricità.

Confrontalo con l’affitto di tempo GPU per lo stesso volume. L’affitto è più veloce per clip e richiede un intero livello operativo. Per uno studente di dottorato o per una startup di due persone che verifica se un world model è persino l’approccio giusto, il portatile vince sul tempo al primo risultato, che è l’unica metrica che conta in quella fase.

L’altra cosa che 113 secondi ti comprano è onestà sulla scala. Quando ogni clip costa due minuti di attenzione della tua macchina, le guardi. Noti i fallimenti. Quando ogni clip costa quattro centesimi e arriva in un lotto da cinquecento, aggreghi e vai avanti. La lentezza è una funzione che ti obbliga a leggere davvero gli output.

Il modello da osservare

Quello che conta questa settimana è il tempismo. Il port è arrivato sei giorni dopo il ciclo di rilascio del modello, fatto da una persona sola, gratis, su hardware che NVIDIA non vende.

Il percorso della diffusione per i pesi aperti ormai è questo. Un laboratorio rilascia i pesi con una licenza più o meno permissiva. Nel giro di una settimana qualcuno ha una build MLX, un altro ha una quantizzazione GGUF, un terzo ha un nodo per ComfyUI. Il tooling ufficiale arriva mesi dopo, se arriva.

Per NVIDIA è in gran parte positivo. Cosmos è una scommessa strategica sul fatto che i world model diventino il substrato di addestramento per l’AI fisica, e un substrato vale di più quanto più gente può eseguirlo. Legarlo alle GPU da datacenter proteggerebbe un margine e restringerebbe un ecosistema.

Per Apple è una vittoria silenziosa. Ognuno di questi port è un argomento a favore del fatto che la memoria unificata basta per carichi di inferenza che si pensava richiedessero una scheda dedicata. L’M5 Max non batte un H100 su niente. Rende però una categoria di modelli eseguibile da persone che non toccheranno mai un H100.

Se i 113 secondi sopravvivono al contatto con più utenti è una domanda aperta. Qualcuno lo eseguirà su un M4 Pro da 24 GB, sbatterà contro il muro della memoria e pubblicherà una correzione. Va bene. L’affermazione utile è che un world model da 4B ora sta su un portatile, il che cambia chi può avere un’opinione sui world model. La velocità è una nota a piè di pagina.

Articoli correlati