KI SpotlightNewsNVIDIA: Cosmos 3 und TAO-Agent-Skills automatisieren Post-Training für Vision-Reasoning-Modelle
Das offene Foundation-Modell und die neuen Agenten-Fähigkeiten eliminieren manuelle Einrichtungsschritte und ermöglichen Genauigkeiten von über 90 Prozent.
Mit KI erstelltNVIDIA veröffentlicht Cosmos 3 und TAO-Agent-Skills
NVIDIA hat das offene physische KI-Weltmodell Cosmos 3 und die TAO-Agent-Skills als neue Werkzeuge für das Post-Training von Vision-Reasoning-Modellen vorgestellt. Cosmos 3 integriert die Fähigkeiten Verstehen, Generierung, Simulation und Aktion in einem Foundation-Modell, indem es diese über eine gemeinsame Repräsentation verbindet: Es erfasst Videodaten, generiert synthetische Szenen, simuliert physikalische Abläufe und leitet daraus Handlungen ab. Die TAO-Agent-Skills ergänzen das Modell um automatisierte Workflows. Bisher müssen Entwickler bei der Anpassung solcher Modelle an produktive Videoaufgaben tagelang Daten formatieren, Container einrichten, Trainingsskripte schreiben, eine Baseline-Evaluierung durchführen und Hyperparameter-Sweeps vornehmen – ohne zu wissen, ob das Post-Training die Genauigkeit überhaupt verbessert. Die Kombination aus Cosmos 3 und TAO-Agent-Skills soll diese manuellen Einrichtungsschritte eliminieren und den Einstieg ins Post-Training drastisch beschleunigen.
Automatisiertes Post-Training für über 90 % Genauigkeit
Die TAO-Agent-Skills automatisieren den gesamten Post-Training-Prozess für Vision-Reasoning-Modelle auf Basis von Cosmos 3. Statt Daten manuell zu formatieren, Container einzurichten, Trainingsskripte zu schreiben und Hyperparameter in aufwändigen Sweeps zu testen, orchestriert der Agent diese Schritte selbstständig. Zunächst führt er eine Baseline-Evaluierung des vortrainierten Cosmos-3-Modells durch, sodass sofort erkennbar ist, ob das Feintuning einen Genauigkeitsgewinn bringt. Anschließend optimiert der Agent automatisch die Hyperparameter, um die Modellleistung gezielt zu maximieren. Cosmos 3 dient dabei als leistungsfähiges Foundation-Modell, das durch seine integrierte Repräsentation von Verstehen, Generierung, Simulation und Aktion eine ideale Basis für anspruchsvolle Videoaufgaben bietet. Die automatisierte Pipeline eliminiert die tagelange manuelle Vorbereitung und das damit verbundene Risiko, Zeit in wirkungsloses Feintuning zu investieren. Laut NVIDIA lassen sich mit dieser Methode Genauigkeiten von über 90 Prozent erzielen – nahezu ohne manuellen Aufwand. Die Kombination beseitigt die typischen Hürden beim Post-Training und ermöglicht Entwicklern einen schnellen, unkomplizierten Einstieg mit hoher Ergebnisqualität.
