世界基础模型

World Foundation ModelWFM常用

在海量真实视频上预训练、可再微调成各种专用世界模型的通用世界模型。

世界基础模型这个说法由 NVIDIA 在 2025 年 1 月发布的 Cosmos 平台论文中提出，指一个通用的世界模型，可再后训练成面向具体应用的定制世界模型。世界模型负责根据当前画面加动作或指令，预测世界接下来的样子。WFM 把大语言模型先大规模预训练、再按任务微调的路线搬了过来：Cosmos 从约 2000 万小时的原始视频中筛出约 1 亿个片段，训练了扩散和自回归两类模型。用途包括为机器人和自动驾驶生成合成训练数据、在模型里训练和评估策略、把仿真画面转成逼真画面。NVIDIA 之后陆续推出 Cosmos Predict、Transfer、Reason 等系列，以及把推理、视频和动作生成放进同一个模型的 Cosmos 3。