Uso principal declarado o inferido con cautela desde la documentación oficial.
N
NVIDIA / nvidia/Cosmos3-H-Embodied-Nano
Cosmos3-H-Embodied-Nano
Checkpoint de investigación publicado el 20 de octubre de 2026 para robótica quirúrgica. Un mismo modelo ofrece tres modos: dinámica directa de acciones a vídeo, dinámica inversa de vídeo a acciones y política condicionada por imagen, texto e historial. Deriva de Cosmos3-Nano, con torre de razonamiento Qwen3-VL y ajuste de la torre generativa. No son tres modelos independientes ni un dispositivo médico autorizado.
01 / RESUMEN
Lo esencial
Capacidad máxima de entrada cuando la fuente la publica.
Límite máximo de generación documentado.
Canales de disponibilidad verificados.
Familia funcional principal y especialidades verificadas.
Condiciones declaradas para API, pesos o despliegue propio.
02 / FICHA TÉCNICA
Límites e integración
| ID de API | nvidia/Cosmos3-H-Embodied-Nano |
|---|---|
| Tipo de modelo | Robótica · Vídeo · Multimodal |
| Modelo de acceso | Pesos abiertos |
| Licencia | NVIDIA Open Model License Agreement |
| Despliegue | Despliegue propio |
| Lanzamiento | 20 OCT 2026 |
| Corte de conocimiento | No publicado |
| Entrada | Texto · Imagen · Vídeo · Acciones |
| Salida | Vídeo · Acciones |
| Ventana de contexto | Clips de 2,4 segundos; hasta 16 acciones anteriores |
| Salida máxima | 25 fotogramas y 24 pasos de acción a 10 Hz, según el modo |
| Razonamiento | No publicado |
| Herramientas publicadas | |
| Salidas estructuradas | No publicado |
| Procesamiento por lotes | No publicado |
| Caché de prompts | No publicado |
| Ajuste fino | No publicado |
| Plataformas verificadas | Hugging Face · PyTorch |
Investigación en simulación, imitación y evaluación de políticas con datos de Open-H. El protocolo usa clips de 2,4 segundos, un fotograma de contexto y 24 futuros, con 24 pasos de acción a 10 Hz. Las acciones bimanuales se normalizan por conjunto de datos y se rellenan con máscara: no deben interpretarse como órdenes universales entre robots.
Su licencia es NVIDIA Open Model License Agreement, no OpenMDW 1.1. La salida se ajusta a una resolución de clase 256p, con dimensiones según la relación de aspecto. El servidor HTTP es una implementación para despliegue propio, no una API comercial validada. La deriva crece en secuencias largas; no utilices el checkpoint para operación clínica sin controles, validación y autorización independientes.
03 / CAPACIDADES
Qué puede hacer
Orientación
Investigación en simulación, imitación y evaluación de políticas con datos de Open-H. El protocolo usa clips de 2,4 segundos, un fotograma de contexto y 24 futuros, con 24 pasos de acción a 10 Hz. Las acciones bimanuales se normalizan por conjunto de datos y se rellenan con máscara: no deben interpretarse como órdenes universales entre robots.
Contexto
Clips de 2,4 segundos; hasta 16 acciones anteriores · 25 fotogramas y 24 pasos de acción a 10 Hz, según el modo
Herramientas e integración
No publicado
Acceso
Hugging Face · checkpoint descargable
Modalidades de entrada
TextoImagenVídeoAcciones
04 / PRECIOS
Coste documentado
| Concepto | Valor | Unidad / condición |
|---|---|---|
| Entrada estándar | Sin tarifa API oficial publicada | Tarifa estándar de API |
| Entrada en caché | No publicado | Lectura de prefijos reutilizados |
| Escritura o almacenamiento de caché | No publicado | La condición varía según proveedor |
| Salida estándar | Coste de infraestructura propia | Puede incluir tokens de razonamiento |
| Entrada por lotes | No publicado | Procesamiento asíncrono |
| Salida por lotes | No publicado | Procesamiento asíncrono |
Checkpoint público de 16B parámetros para infraestructura propia. No hemos verificado un endpoint comercial ni tarifas por tokens: los costes numéricos quedan vacíos. Los pesos descargables no hacen gratuita la inferencia. Presupuesta GPU, memoria, codificación de vídeo y operación; revisa la licencia de cada variante y sus dependencias. Los fotogramas por segundo de reproducción no equivalen al rendimiento de generación.
i Los precios cambian y pueden depender del nivel, la región o la longitud del contexto. Revisa la fuente antes de tomar una decisión.
05 / EVALUACIONES
Cómo leer los resultados
“
El proveedor evalúa 640 clips de diez familias públicas con episodios reservados. Dinámica directa: PSNR 26,1; inversa: MSE de acciones normalizadas 0,009. La política registra MSE medio 0,052 y mejor de cuatro 0,033: son selecciones distintas. Estas métricas no miden seguridad clínica ni garantizan seguimiento de instrumentos. No han sido reproducidas por Inferama.
| Benchmark | Resultado | Métrica | Fuente |
|---|---|---|---|
| Cosmos3-H held-out 640 forward PSNR ↑ | 26,1 dB | Puntuación | Ver fuente ↗ |
| Cosmos3-H held-out 640 inverse action MSE ↓ | 0,009 | Puntuación | Ver fuente ↗ |
| Cosmos3-H held-out 640 policy mean action MSE ↓ | 0,052 | Puntuación | Ver fuente ↗ |
| Cosmos3-H held-out 640 policy best-of-4 action MSE ↓ | 0,033 | Puntuación | Ver fuente ↗ |
Inferama solo destaca un «mejor resultado» cuando la métrica, el conjunto de prueba, la configuración y la fecha permiten una comparación equivalente. Las cifras del proveedor se presentan como afirmaciones de su propia fuente.
06 / VERSIONES
Cronología
Cosmos3-H-Embodied-Nano
Versión incorporada al catálogo verificado de Inferama.
07 / FUENTES