NVIDIA、物理AI向け推論ビジョン言語モデル「Cosmos Reason 2」を発表

NVIDIAは、物理AI向けのオープンな推論ビジョン言語モデル(VLM)の最新版である「Cosmos Reason 2」をリリースした。Cosmos Reason 2は、物体認識などの画像認識タスクに加え、計画立案、不確実性への対応、新規状況への適応といった、人間には自然な高度な推論能力をロボットやAIエージェントに与えることを目的としている。前バージョンと比較して精度が向上し、Physical AI BenchおよびPhysical Reasoningリーダーボードで1位を獲得した。主な機能強化点として、時空間理解とタイムスタンプ精度の向上、2Bおよび8Bパラメータモデルサイズでの柔軟なデプロイメント、2D/3D点位置特定、バウンディングボックス座標、軌道データ、OCRサポートを含む拡張された空間理解・視覚認識能力、16Kから256Kトークンへのコンテキスト長の拡大が挙げられる。Uberは自律走行車(AV)のトレーニングデータ向けにCosmos Reason 2を活用し、BLEUスコアが10.6%、MCQベースVQAが0.67%、LingoQAが13.8%向上した。また、ロボットの計画・推論能力を強化し、EncordはデータエージェントライブラリにCosmos Reason 2のネイティブサポートを追加した。Hitachi、Milestone、VAST Dataなどの企業もCosmos Reasonを活用している。さらに、物理世界の将来の状態を予測する生成AIモデル「Cosmos Predict」や、ビデオからワールドスタイル変換を行う「Cosmos Transfer 2.5」、ヒューマノイドロボット向けVLAモデル「NVIDIA GR00T N1.6」も発表された。