← ブログに戻る
Ai読了目安 11 分

NVIDIAの4B世界モデル「Cosmos3-Edge」、M5 Max上のMLX移植が公開

公開日 2026年11月11日
NVIDIAの4B世界モデル「Cosmos3-Edge」、M5 Max上のMLX移植が公開

11月7日、NetProjects名義の開発者がNVIDIAのCosmos3-EdgeのMLX移植を公開した。フルビルドは7.6 GB。8ビット版は5.0 GB。128 GBのユニファイドメモリを積むM5 Maxで、8ビット版はNVIDIA自身のimage-to-videoサンプル、832×480・121フレームを113秒で走らせ、メモリピークは18.8 GBだった。

その数字を、意味のある単位で読み直す。480pの約5秒の映像を生成するのに113秒。つまり毎秒1フレームの計算で、ノートPC上、40億パラメータのモデルだ。

素直な反応は「映像制作には使えない」だ。正しい反応は「映像制作のために作ったものではない」である。

Cosmos3-Edgeとは何か

Cosmos3-Edgeは4Bパラメータの世界モデルだ。テキストか開始画像から256pまたは480p、50〜150フレームの映像を生成する。ライセンスはOpenMDW 1.1で、商用利用が認められている。

重要なのはworld modelという言葉だ。NVIDIAはこの系列をロボティクスと自動運転向けに作った。仕事は、場面と行動が与えられたとき次に何が起きるかを予測することだ。出力は物理についての仮説である。車がこの軌道を保てば歩行者は出てくるか、箱は滑るか、アームは棚にぶつかるか。

NVIDIA自身のモデルカードは、出力を「物理的に正確なシミュレーションとして扱うべきではない」と書く。その一文が設計方針そのものだ。モデルは、訓練に使える程度に尤もらしく、かつ測定可能な形で間違った動きを作るべきものだ。運動量保存則を破る写実的なレンダーは、それを守る不格好なレンダーより、下流の消費者がポリシーネットワークなら悪い。

だから480pの天井は謝るべき制約ではない。ロボティクスの訓練に4Kは要らない。必要なのは、速く、安く、訓練したポリシーが実世界に転移する程度に一貫した、多数のバリエーションだ。

Mac移植がなぜ効くのか

動かせる人が変わるからだ。

これまで世界モデルの評価にはGPUの割り当てが必要だった。小さくても現実で、ドライバスタック、コンテナ、誰かのクラスタが要る。それがフィルタになる。モデルを触れるのは既にインフラを持つ人になり、面白いロボティクスの問いを持つ人はたいてい持っていない。

MLX上でAppleシリコンで動く5.0 GBの8ビットビルドは、そのフィルタを取り除く。最近のMacと十分なメモリがあれば、一晩で100本のクリップを作り、見て、意見を作れる。研究の方向がデモではなく分野になるやり方はこれだ。

128 GBという数字がここで効いている。メモリピーク18.8 GBなら、最上位機である必要はない。32 GBのMacでも8ビットビルドはOSの分を残して収まるはずだ。113秒という数字はメモリ帯域が遅いマシンでは悪化するが、そもそも動かせるかどうかが重要な敷居だ。

MLX固有のもっと微妙な点もある。Appleのフレームワークはユニファイドメモリ向けに最適化されており、この作業負荷に向く。4Bの拡散型動画モデルは計算よりメモリ帯域に縛られる。だからこの移植がそもそも成立し、teraflopsから素朴に見積もるより良い性能が出る。

注意点は現実だ

これは非公式の移植だ。作者はNVIDIAと関係がないと明言している。デモはない。取材先のサイトがGitHubのインストールページを開こうとしたところ、失敗した。

5 GBのダウンロード、MLX環境、デモなし、レンダリングするかどうかも分からないインストールページ。動くか見たかった誰かの週末の成果物だ。製品ではない。性能の主張もそれに応じて扱うべきで、113秒も1台のマシン、1つのサンプルでの1つのデータ点にすぎない。

商用の何かを建てる前に読むべきライセンスの細部もある。OpenMDW 1.1は商用利用を許すが、Apache 2.0でもMITでもない。特にモデルの重みや出力を配布する予定なら、条件を読むこと。

そして世界モデルにつきものの品質の注意。キッチンの写真と、ロボットアームがカップに手を伸ばすプロンプトを入れると、尤もらしく読める動きが出る。よく見るとカップの形が変わり、アームがカウンターを突き抜け、照明が流れる。その失敗こそロボティクス研究者が測りたいものであり、動画編集者が使えないものだ。

113秒で何が買えるか

数字は悪く聞こえるが、たぶん悪くない。取引を具体的に書く。

マニピュレーションのポリシー用に訓練データを作るなら、20本では足りない。照明、物体の姿勢、カメラアングル、表面素材を変えた数千本が要る。ノートPCで2分に1本の121フレームクリップを作るパイプラインは、放置で1日に約700本を作る。小さな実験には使えるデータセットで、コストは電気代だ。

同じ量のGPU時間を借りるのと比べる。レンタルのほうが1本あたりは速く、運用層が丸ごと要る。大学院生や、世界モデルがそもそも正しいアプローチかを試す2人組のスタートアップなら、最初の結果までの時間でノートPCが勝つ。その段階ではそれだけが重要な指標だ。

113秒がもう一つ買うのは、規模についての正直さだ。1本が自分のマシンの2分の注意を食うなら、クリップを見る。失敗に気づく。1本が4セントで500本の束で届くなら、集計して先へ進む。遅さは出力を実際に読ませる力になる。

注目すべきパターン

今週重要なのはタイミングだ。移植はモデルのリリースサイクルから6日後に、個人が、無料で、NVIDIAが売っていないハードウェア上でやった。

オープンウェイトの拡散モデルの道は今こうなっている。ラボが緩めのライセンスで重みを出す。1週間以内に誰かがMLXビルドを作り、別の誰かがGGUF量子化を作り、3人目がComfyUIノードを作る。公式ツールは数か月後、あるいは来ない。

NVIDIAにとってはおおむね良い話だ。Cosmosは世界モデルがフィジカルAIの訓練基盤になるという戦略的賭けであり、基盤は動かせる人が増えるほど価値が上がる。データセンターGPUに閉じ込めればマージンを守れてエコシステムが縮む。

Appleにとっては静かな勝ちだ。こうした移植の一つ一つが、ユニファイドメモリで十分だと人々が思っていなかった推論作業に足りるという論拠になる。M5 Maxは何をとってもH100に勝たない。しかしH100を一生触らない人に、ある種のモデルを動かせるようにする。

113秒という数字がより多くのユーザーに触れて生き残るかは開いた問いだ。誰かが24 GBのM4 Proで走らせ、メモリの壁に当たり、訂正を投稿するだろう。それでいい。有用な主張は、4Bの世界モデルがノートPCに収まるようになったということで、世界モデルについて意見を持てる人が変わる。速度は脚注だ。

関連記事