> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# AWS 详解：用 NVIDIA Cosmos 3 在 SageMaker HyperPod 上搭建物理 AI 模型工厂
- URL: https://globalfeed.ai/zh/aws-xiang-jie-yong-nvidia-cosmos-3-zai-sagemaker-hyperpod-shang-da-jian-wu-li-ai-mo-xing-gong-han/
- Published: 2026-09-05T14:28:54.000Z
- Updated: 2026-09-05T14:28:54.000Z
- Description: AWS 技术博客介绍如何让 Cosmos 3 把合成数据生成、后训练与闭环评测三类任务调度到同一个常驻 GPU 节点池上。
- Author: GlobalFeed Editor
- Tags: NVIDIA, AWS, 机器人, x-nvidia, x-awscloud, dil-zh, denetim-gerekli, video

AWS 发布技术文章，介绍如何在 Amazon SageMaker HyperPod 上运行 NVIDIA Cosmos 3，搭建所谓的“物理 AI（Physical AI）模型工厂”。前提很直接：机器人或自动驾驶车辆这类把真实世界数据转成物理动作的系统，无法靠一次训练任务做出来，需要一条持续运转的流水线。

这条闭环分四个阶段：把 DROID、BridgeData2 以及自动驾驶传感器日志等真实数据采集整理成共享语料，存放在 Amazon S3 和 Amazon FSx for Lustre 上；由 Cosmos3-Super 作为教师模型生成合成数据扩充语料；用合成与真实数据的混合语料对可部署的 Cosmos3-Nano 策略做后训练，同时在 Nano 和 Super 两档上做视觉微调；最后在闭环仿真中评测策略。

## 同一主干，三种模式

Cosmos 3 是开放的全模态世界基础模型，把视频、图像、动作和声音当作同一条 token 流处理。同一个 Transformer 主干可以运行三种模式：用于合成视频生成的前向动力学世界模型、逆动力学动作标注器，以及可部署的动作策略。模式之间的差别，只在于哪些 token 以噪声形式起始。由于生成、后训练和评测都出自同一模型家族，AWS 把这三类工作负载以分时方式调度到一个常驻且具备容错能力的 GPU 节点池上，不必为每个阶段单独拉起和拆除集群。

模型家族分两档：Cosmos3-Nano 为 160 亿参数，基于 80 亿稠密参数的 Qwen3-VL 主干；Cosmos3-Super 为 640 亿参数，基于 320 亿稠密参数的 Qwen3-VL 主干。NVIDIA 还发布了面向端侧部署的 Cosmos3-Edge，参数规模 40 亿，在 Jetson Thor 和 Orin 上做了基准测试。Edge 使用约 20 亿稠密参数、从零训练的主干，而非由 Qwen3-VL 初始化，因此属于独立的权重谱系。Cosmos3-Nano-Policy-DROID 这类任务变体则专门针对策略模式，控制频率 15 Hz，动作视野 32 步。

NVIDIA 以 Linux Foundation 的 OpenMDW-1.1 许可发布该模型。AWS 认为决定成本的指标不是单个任务的峰值吞吐，而是 GPU goodput：整条闭环中每个预留 GPU 小时带来的有效进展。基础设施模板和任务清单已放在 awsome-distributed-ai GitHub 仓库。详情见 [AWS 博客原文](https://aws.amazon.com/blogs/machine-learning/build-a-physical-ai-model-factory-with-nvidia-cosmos-3-on-sagemaker-hyperpod/?ref=globalfeed.ai)。