物理AI领域长期存在一个痛点：开发者需要在多个专用模型之间切换——生成模型、推理模型、策略模型各自独立，每次切换都意味着重新配置推理管线。Cosmos 3用**Mixture-of-Transformers（MoT）架构**一次性解决了这个问题：它是一个真正的omni-model，在单一前向传播中同时完成世界生成、物理推理和动作预测。模型通过专用编码器（ViT处理视觉、VAE处理音视频生成、domain-aware向量处理动作）将所有模态映射到共享表示空间，然后在AR子序列做推理理解，在DM子序列做生成去噪。

这次发布的两个版本定位清晰：Cosmos 3 Nano是**8B参数模型**，优化为高效推理设计，能在RTX PRO 6000这样的工作站级GPU上运行；Cosmos 3 Super是**32B参数模型**，面向大规模合成数据生成和科研场景，需要Hopper或Blackwell GPU。两个模型都已上线Hugging Face，并提供了与Diffusers库的深度集成，开发者用几行代码就能跑通pipeline。

值得注意的信号是NVIDIA在推Cosmos 3时重点强调了合成数据生成（SDG）数据集的配套发布。这说明他们真正想解决的不是“让单个模型更强”，而是**为整个物理AI社区提供可复用的训练和评测基准**。对于机器人、自动驾驶、智能仓储这些领域来说，高质量的训练数据获取成本极高，Cosmos 3如果能成为这个生态的数据底座，价值会远超模型本身。