Cosmos 3 vs Wan 2.2: ¿qué modelo de vídeo abierto elegir?

Cosmos 3 es el modelo de mundo de NVIDIA para robots y conducción, con un tamaño Edge de 4B; Wan 2.2 es la familia de Alibaba de texto e imagen a vídeo bajo Apache 2.0, con un modelo 5B para GPU de 24 GB.

  • Actualización

Veredicto. Elige según la tarea. Cosmos 3 (Edge 4B a 9,2 GB, Nano 16B a 35 GB, Super 64B a 133 GB) está hecho para la IA física: genera vídeo corto de escenas físicas, con audio en los dos tamaños mayores, predice acciones de robots y responde preguntas sobre el vídeo en texto, pero se queda en 720p, corre en Linux con GPU NVIDIA y oficialmente solo prueba BF16. Wan 2.2 es una familia general de texto a vídeo e imagen a vídeo, con un modelo 5B que cabe en una GPU de 24 GB usando offloading y dos modelos mixture-of-experts de 27B totales que piden 80 GB. Sus clips duran unos cinco segundos, sus modelos base hacen vídeo sin sonido, y tiene más de un año, pero su herramienta comunitaria es amplia. Cosmos 3 está bajo OpenMDW-1.1 y Wan 2.2 bajo Apache 2.0, y ninguno tiene tope de ingresos. NVIDIA y Alibaba reportan victorias cada una en sus propios benchmarks, y no encontramos un enfrentamiento independiente, así que juzga con tus propios clips.

Especificaciones

Especificaciones Cosmos 3Wan 2.2
DesarrolladorNVIDIAAlibaba Wan
Lanzamiento31 de mayo de 202628 de julio de 2025
Parámetros totales64.6B (Cosmos3-Super)27B (T2V-A14B (text to video))
Parámetros activosTodos14B
ArquitecturaHíbridaDifusión
Ventana de contexto––
EntradaTexto, Imagen, Vídeo, AudioTexto, Imagen
Licencia OpenMDW-1.1 (Permisiva) Apache 2.0 (Permisiva)
Memoria de la variante más pequeña (4 bits)11 GB (Cosmos3-Edge)24 GB (TI2V-5B (text or image to video))

Las afirmaciones de rendimiento provienen del desarrollador y no se han verificado de forma independiente.

Elige Cosmos 3 si

  • Trabajas en robótica o conducción autónoma y necesitas un modelo que prediga vídeo, acciones o resultados.
  • Quieres un modelo que genere vídeo y además responda preguntas sobre él, con puntos y cajas.
  • Tienes hardware NVIDIA y quieres un modelo 4B en una GPU, que según NVIDIA genera un clip de 189 fotogramas a 480p en unos 28 segundos en una H100.
  • Quieres audio sincronizado en el vídeo generado, algo que ofrecen los tamaños 16B y 64B.

Elige Wan 2.2 si

  • Quieres texto a vídeo o imagen a vídeo en general, como clips creativos, en una GPU de 24 GB con el modelo 5B.
  • Quieres la comunidad más grande, donde herramientas como ComfyUI, Diffusers, LightX2V y DiffSynth-Studio aportan versiones cuantizadas y offloading.
  • Quieres Apache 2.0 y modelos hermanos del mismo equipo para vídeo guiado por audio, animación de personajes y baile.
  • No necesitas una parte de razonamiento ni acciones de robot, y los clips cortos sin sonido bastan.

Cosmos 3 · Wan 2.2