NVIDIA、4ステップ蒸留の64B画像生成モデルCosmos3を公開

NVIDIAは2026年7月20日、64Bパラメータのテキスト画像生成モデル「Cosmos3-Super-Text2Image-4Step」をHugging FaceとGitHubで公開しました。このモデルは固定4ステップで画像を生成し、基盤モデルの推奨設定と比べてモデル評価回数を最大25倍減らします。

何が新しいか

本モデルは、基盤モデルnvidia/Cosmos3-Super-Text2ImageをImproved Distribution Matching Distillation(DMD2)で蒸留したものです。基盤モデルの推奨設定は50ステップ+CFGで、1枚あたり50×2=100回のモデル評価を必要とします。蒸留版はこれを4回に置き換えます。classifier-free guidanceは不要です。

品質については、Artificial Analysis Text-to-Imageランキングでオープンソースモデル中2位に入っています(2026/07/17時点)。フルステップ版のCosmos3-Super-Text2Imageとは1つ違いの順位です。

仕様

項目	内容
モデルID	nvidia/Cosmos3-Super-Text2Image-4Step
パラメータ数	64B
サンプリング	固定4ステップ、CFG不要
入出力	テキストプロンプト → PNG画像(各種アスペクト比・解像度に対応)
アーキテクチャ	Transformer / Mixture-of-Transformers(MoT)
ライセンス	OpenMDW1.1

Cosmos3のMoTは2つのタワーで構成されています。離散トークン生成を担う自己回帰Transformerと、連続的なマルチモーダル生成を担う拡散Transformerです。テキストはnext-token方式でデコードし、画像・動画・音声・アクションは反復的なデノイズで合成します。

要件と利用条件

• 64Bモデルの推論には、H100/H200を4〜8基備えたマルチGPUノード、または単一のB200が必要です。単一の小型GPUには収まりません。
• モデルカードの使用例では、vLLM-Omniによる推論を案内しています。vLLMは大規模言語モデルの推論とAPI配信のためのライブラリです。
• 商用・非商用のどちらにも利用できます。

背景

Cosmos3は、ロボティクス、自動運転、工場規模を含むスマートスペースといったPhysical AI向けのオムニモーダルなワールドモデル群です。テキスト、画像、動画、アクション軌跡の組み合わせを入力として受け取り、動画・画像・音声・アクションコマンドを生成します。本モデルはそのコレクションの一部として公開されました。