NVIDIA เปิด Cosmos 3 Edge — world model 4B โอเพนเวต รันเรียลไทม์บนหุ่นยนต์
NVIDIA เปิดตัว Cosmos 3 Edge สมาชิกตัวเล็กสุดของตระกูล world model สำหรับ Physical AI อย่างเป็นทางการ พร้อมบล็อกเชิงเทคนิคสำหรับนักพัฒนาบน Hugging Face เมื่อวันที่ 20 กรกฎาคม 2026 หลังจากที่ตอนเปิดตัว Cosmos 3 รุ่นใหญ่ (Nano/Super) ในเดือนมิถุนายน รุ่น Edge ยังอยู่ในสถานะ “coming soon” — ตอนนี้มันมาแล้ว และเป็นโมเดลโอเพนเวต ที่ตั้งใจให้เป็น “สมองในหัวหุ่นยนต์” คือรันบนชิปที่ติดอยู่กับตัวหุ่นเองโดยไม่ต้องรอเซิร์ฟเวอร์ในดาต้าเซ็นเตอร์
จุดที่น่าสนใจสำหรับนักพัฒนาสาย robotics และ edge AI คือ Cosmos 3 Edge มีขนาดเพียง 4 พันล้านพารามิเตอร์ แต่ทำงานเป็น world model เต็มรูปแบบ — เข้าใจสภาพแวดล้อม ให้เหตุผลแบบเรียลไทม์ และสร้างสัญญาณควบคุมหุ่นยนต์ (joint angle, trajectory) ออกมาโดยตรง ทั้งหมดรันบนโมดูล Jetson ได้ที่ 15 Hz และปล่อยน้ำหนักโมเดลภายใต้ลิขสิทธิ์ OpenMDW-1.1 ของ Linux Foundation ที่อนุญาตให้ใช้เชิงพาณิชย์และดัดแปลงต่อได้ (ขอแค่ให้เครดิต “Built on NVIDIA Cosmos”)
สถาปัตยกรรมสองหอคอย: เข้าใจ + ทำนาย
สิ่งที่ทำให้ Cosmos 3 Edge ต่างจาก VLA ทั่วไปคือสถาปัตยกรรม dual transformer towers — หอคอยหนึ่งเป็น autoregressive สำหรับการเข้าใจและให้เหตุผล อีกหอคอยเป็น diffusion สำหรับการทำนายและสร้าง (generation) ทั้งสองหอคอยแชร์เลเยอร์ multimodal attention ร่วมกัน แต่แยก normalization และการประมวลผลของตัวเอง
โครงสร้างนี้ทำให้โมเดลตัวเดียวทำได้ทั้งการ “มองแล้วเข้าใจ” (vision-language) และ “คิดต่อว่าอะไรจะเกิดขึ้น” (world prediction) ก่อนจะสั่งการเคลื่อนไหว — ตรงกับปรัชญา “think before it acts” ของ Physical AI ที่ NVIDIA ผลักดัน โมเดลทำงานที่ความละเอียดภาพ 640×360 และในโหมด policy สร้างได้ถึง 32 actions ต่อการอนุมานหนึ่งครั้ง
รันบน Jetson Thor — และปรับแต่งเองได้ในวันเดียว
Cosmos 3 Edge ถูกปรับแต่ง (optimize) มาสำหรับฮาร์ดแวร์ edge ของ NVIDIA ทั้ง GeForce RTX, RTX PRO, DGX และที่สำคัญคือโมดูล Jetson Thor รุ่นใหม่ (T2000/T3000 ให้พลัง 400 และ 865 FP4 TFLOPS ตามลำดับ) โดย NVIDIA เคลมว่ารันควบคุมได้แบบเรียลไทม์ที่ 15 Hz บน Jetson Thor
ฝั่งนักพัฒนา จุดขายคือ post-training: เอาโมเดลฐานไปเทรนต่อสำหรับหุ่นยนต์ ยานยนต์ หรือชุดเซ็นเซอร์เฉพาะของตัวเองได้ โดยใช้คลัสเตอร์ H100/DGX ขนาดเล็ก แล้วค่อยดีพลอยลง edge — NVIDIA บอกว่ากระบวนการนี้ใช้เวลาราว “หนึ่งวัน” ผ่านเฟรมเวิร์ก Cosmos แบบเปิด
ผลเบนช์มาร์ก
NVIDIA ระบุว่า Cosmos 3 Edge ขึ้นอันดับ #1 บน VANTAGE-Bench ด้าน vision analytics ในกลุ่มโมเดลขนาด 4B และทำผลได้ระดับ state-of-the-art สำหรับงาน robot policy learning ต่างจากรุ่น Nano และ Super ที่เริ่มต้นจากน้ำหนัก Qwen3-VL ที่เทรนไว้ก่อน — รายงานหลายสำนักระบุว่ารุ่น Edge เทรนขึ้นมาใหม่เพื่อให้เหมาะกับข้อจำกัดของ edge โดยเฉพาะ
มุมมอง AI Curator
ปีที่ผ่านมาเราเห็นคลื่นของ on-device VLA / embodied model ทยอยออกมาไม่หยุด — เมื่อวานนี้เองก็มี OpenBMB MiniCPM-Robot แต่ Cosmos 3 Edge เล่นเกมคนละชั้น เพราะมันไม่ใช่แค่ VLA ที่แปลงภาพเป็น action แต่เป็น world model ที่ทำนายพลวัตของโลกได้ และที่สำคัญคือมันมาพร้อม “แบตเตอรี่ในตัว” ของ NVIDIA — ฮาร์ดแวร์ Jetson Thor, เฟรมเวิร์ก Cosmos, และ pipeline การ post-train ที่ครบวงจร นี่คือข้อได้เปรียบที่สตาร์ทอัพหุ่นยนต์รายเดียวสร้างตามได้ยาก
สำหรับทีมไทยและ SEA ที่ทำหุ่นยนต์อุตสาหกรรม, AMR ในคลังสินค้า หรือ smart camera ประเด็นที่ควรจับตาคือ ต้นทุนและลิขสิทธิ์: โมเดล 4B รันบน Jetson ได้จริงหมายความว่าไม่ต้องจ่ายค่า API ต่อเนื่องและข้อมูลไม่ต้องออกจากเครื่อง ส่วนลิขสิทธิ์ OpenMDW-1.1 ที่ให้ใช้เชิงพาณิชย์ได้ก็เปิดทางให้เอาไปทำผลิตภัณฑ์ขายจริง แต่ก็ต้องอ่านเงื่อนไข attribution และข้อจำกัดการใช้งานให้ครบ อย่างไรก็ตาม การผูกกับ Jetson อย่างแน่นแฟ้นก็เป็นดาบสองคม — ได้ประสิทธิภาพเต็มที่ก็จริง แต่ก็หมายถึงการล็อกอินกับ ecosystem ฮาร์ดแวร์ของ NVIDIA ไปด้วย ทีมที่คิดระยะยาวควรชั่งน้ำหนักเรื่องนี้ตั้งแต่ต้น
แหล่งข่าว
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service