NVIDIA muscle Cosmos pour simuler le monde réel

NVIDIA étend Cosmos avec de nouveaux outils d’entraînement, de simulation et de déploiement pour les modèles du monde. L’annonce intervient le 29 octobre 2026, après une présentation à GTC Berlin. Ces modèles aident les systèmes d’intelligence artificielle physique à comprendre et simuler le réel. La plateforme Cosmos figure parmi les cinq premières de six classements consacrés à des modèles ouverts. Elle regroupe des modèles, des données, des outils d’optimisation et des recettes d’entraînement. Les développeurs peuvent ainsi préparer leurs données, adapter des modèles, tester leur comportement et optimiser leurs performances avant un déploiement. NVIDIA présente Cosmos comme une plateforme modulaire destinée aux constructeurs de modèles du monde.

Cinq plans cloud composent désormais Cosmos Data Factory. Le service couvre la génération de jeux de données pour véhicules autonomes, l’augmentation d’attributs d’images, la création de vidéos d’événements, la génération d’images de défauts et l’augmentation vidéo. Ces plans peuvent modifier la météo et la lumière tout en préservant la structure d’une scène. Ils peuvent aussi produire des exemples synthétiques de situations rares ou difficiles à capturer. Cosmos Curator prend désormais en charge des entrées et traitements multimodaux et multisensoriels. Data Factory est disponible via GitHub, Microsoft Azure, Nebius et CoreWeave. NVIDIA détaille ces outils dans l’annonce officielle.

Porsche accélère ses essais autonomes

Porsche utilise Cosmos Data Factory via Voxel51 sur Microsoft Azure pour développer un cycle de données commun aux marques du groupe Volkswagen. NVIDIA indique que ce dispositif devrait réduire jusqu’à 90 % les essais physiques répétés. Il devrait aussi raccourcir jusqu’à 85 % les cycles de développement. Ces deux chiffres correspondent aux résultats attendus par Porsche, et non à une mesure générale de la plateforme. ANYbotics a généré plus de 1 500 séquences vidéo synthétiques avec les plans Data Factory. L’entreprise les a utilisées pour entraîner des robots d’inspection industrielle à reconnaître des liquides renversés et d’autres changements entre deux visites d’un site.

Les modèles s’adaptent à plusieurs architectures ouvertes grâce aux outils et recettes du Cosmos Framework. Les développeurs peuvent ajuster GR00T, Alpamayo, QWEN, Pi0.5 et d’autres modèles compatibles de Hugging Face. Ils peuvent ensuite appliquer une distillation ou une quantification avant l’inférence. Le laboratoire MicroAGI a post-entraîné Cosmos 3 sur des vidéos de manipulation d’objets. Il a réduit un raisonneur de 32 milliards de paramètres vers un modèle Nano de 8 milliards, sans perte de précision selon NVIDIA. Roboflow permet aussi d’étiqueter des données et de post-entraîner Cosmos 3 pour des environnements spécifiques. Les modèles peuvent être déployés sur des infrastructures NVIDIA hébergées ou locales.

Cosmos teste les politiques en simulation

Les variantes Cosmos 3 Nano dédiées à la simulation servent à tester des politiques autonomes dans des scénarios répétables, multisensoriels et à plusieurs points de vue. Le code associé permet d’adapter ces modèles pour entraîner et évaluer des politiques destinées aux véhicules autonomes et aux robots bimanuels. NVIDIA propose aussi des microservices Cosmos 3 NIM mis à jour. Dans des configurations validées, ils fournissent jusqu’à deux fois plus d’inférence sans perte de qualité. L’analyse vidéo continue peut produire des alertes en moins d’une seconde. Le plan Metropolis Blueprint VSS 3.3 permet enfin de surveiller 40 % de flux vidéo supplémentaires avec le même processeur graphique.

ADNOC surveille 65 sites avec la plateforme MistIQ de Fogsphere, construite avec Cosmos et le plan Metropolis VSS. Le système détecte des risques de sécurité en temps réel. Fogsphere utilise aussi Cosmos Data Factory pour générer des données synthétiques liées aux événements rares. Cette méthode évite de mettre physiquement en scène des situations dangereuses, selon NVIDIA. Ultralytics a de son côté réentraîné son modèle de vision YOLO avec des images réelles et des défauts synthétiques ciblés. L’entreprise a amélioré la localisation des défauts et le rappel, sans chiffre publié dans l’annonce. L’architecture proposée relie Data Factory, Framework et les microservices NIM dans une même chaîne de travail.