Die Plattform NVIDIA Cosmos erhielt während der GTC Berlin am 22. Oktober 2026 eine systematische Erweiterung. Im offiziellen NVIDIA-Blog wurde am selben Tag beschrieben, wie die Werkzeugkette für Weltmodelle von den Daten über das Training bis zum Einsatz ausgebaut wurde: neue Blueprints der Cosmos Data Factory, erweiterte Trainingsrezepte des Cosmos Framework, neue Cosmos-3-Nano-Varianten für die Simulation und schnellere NIM-Microservices. Weltmodelle sollen Robotern und autonomen Fahrzeugen ermöglichen, die physische Welt zunächst in der Simulation zu verstehen und dort gefahrlos zu scheitern, bevor sie in reale Umgebungen gelangen.
Die erste geschlossene Lücke sind die Daten
Die Data Factory übernimmt Kennzeichnung, Kuratierung, Erweiterung und Bewertung von Trainingsdaten. Neu sind fünf Cloud-native Blueprints für die Erzeugung autonomer Fahrdatensätze, die Erweiterung von Bildattributen, die Generierung seltener Ereignisvideos, die Erzeugung von Defektbildern und die Augmentierung von Videodaten, verfügbar über GitHub sowie Azure, Nebius und CoreWeave. Der Cosmos Curator für Videodatensätze unterstützt nun multimodale Eingaben mehrerer Sensoren. Erste Anwender verdeutlichen die Größenordnung: Porsche baut mit den Werkzeugen auf Microsoft Azure ein gemeinsames Daten-Flywheel für autonomes Fahren über die Marken des Volkswagen-Konzerns hinweg; NVIDIA nennt als Ziele bis zu 90 Prozent weniger wiederholte reale Testfahrten und bis zu 85 Prozent kürzere Entwicklungszyklen. ANYbotics erzeugte mehr als 1.500 synthetische Clips, um Inspektionsroboter auf das Erkennen von Flüssigkeitslecks und anderen Anomalien zu trainieren.
Trainingsrezepte für mehr Modelle, Einsatz bis zu doppelt so schnell
Auf der GTC Berlin erweiterte NVIDIA die Trainings-, Optimierungs- und Einsatzrezepte des Cosmos Framework, angeboten als Agenten-Skills, auf weitere offene Modelle, sodass Entwickler Modelle wie GR00T, Alpamayo, Qwen und Pi0.5 feintunen, per Reinforcement Learning anpassen, destillieren und quantisieren können. Das Forschungslabor MicroAGI lieferte ein konkretes Beispiel: Es destillierte den 32 Milliarden Parameter großen Cosmos-3-Reasoner ohne Genauigkeitsverlust auf ein Nano-Modell mit 8 Milliarden Parametern. Auf der Serverseite liefern aktualisierte Cosmos-3-NIM-Microservices in validierten Konfigurationen bis zu doppelt so schnelle Inferenz, und die neuen Nano-Simulationsvarianten erlauben es, Fahr- und Zweiarm-Roboterstrategien vorab in wiederholbaren Szenarien aus mehreren Blickwinkeln zu testen. Für Teams der physischen AI liegt der Wert dieses Updates nicht in einem einzelnen Benchmark, sondern darin, dass Daten, Training, Bewertung und Einsatz — bislang aus getrennten Stapeln zusammengesetzt — nun in einer offenen Plattform zusammenliegen.
