Cosmos 3 vs Wan 2.2 : quel modèle vidéo ouvert choisir ?
Cosmos 3 est le modèle de monde de NVIDIA pour les robots et la conduite, avec une taille Edge de 4B ; Wan 2.2 est la famille d'Alibaba texte et image vers vidéo sous Apache 2.0, avec un modèle 5B pour GPU de 24 Go.
Verdict. Choisissez selon la tâche. Cosmos 3 (Edge 4B à 9,2 Go, Nano 16B à 35 Go, Super 64B à 133 Go) est conçu pour l'IA physique : il produit de courtes vidéos de scènes physiques, avec audio dans les deux tailles supérieures, prédit les actions de robots et répond à des questions sur la vidéo par écrit, mais il plafonne à 720p, tourne sous Linux avec des GPU NVIDIA et n'est officiellement testé qu'en BF16. Wan 2.2 est une famille générale de texte vers vidéo et d'image vers vidéo, avec un modèle 5B qui tient sur une GPU de 24 Go grâce à l'offloading et deux modèles mixture-of-experts de 27B au total qui exigent 80 Go. Ses clips durent environ cinq secondes, ses modèles de base produisent une vidéo muette, et il a plus d'un an, mais ses outils communautaires sont nombreux. Cosmos 3 est sous OpenMDW-1.1 et Wan 2.2 sous Apache 2.0, et aucun n'a de plafond de revenus. NVIDIA et Alibaba revendiquent chacune la victoire sur leurs propres benchmarks, et nous n'avons trouvé aucune comparaison directe indépendante : jugez donc avec vos propres clips.
Spécifications
| Spécifications | Cosmos 3 | Wan 2.2 |
|---|---|---|
| Développeur | NVIDIA | Alibaba Wan |
| Date de sortie | 31 mai 2026 | 28 juillet 2025 |
| Paramètres totaux | 64.6B (Cosmos3-Super) | 27B (T2V-A14B (text to video)) |
| Paramètres actifs | Tous | 14B |
| Architecture | Hybride | Diffusion |
| Fenêtre de contexte | – | – |
| Entrée | Texte, Image, Vidéo, Audio | Texte, Image |
| Licence | OpenMDW-1.1 (Permissive) | Apache 2.0 (Permissive) |
| Mémoire pour la plus petite variante (4 bits) | 11 GB (Cosmos3-Edge) | 24 GB (TI2V-5B (text or image to video)) |
Les affirmations de performance viennent du développeur et n’ont pas été vérifiées de manière indépendante.
Choisissez Cosmos 3 si
- Vous travaillez en robotique ou conduite autonome et avez besoin d'un modèle qui prédit la vidéo, les actions ou les résultats.
- Vous voulez un modèle qui génère la vidéo et répond à des questions la concernant, avec des points et des boîtes.
- Vous avez du matériel NVIDIA et voulez un modèle 4B sur une GPU, qui selon NVIDIA produit un clip de 189 images en 480p en environ 28 secondes sur une H100.
- Vous voulez un audio synchronisé dans la vidéo générée, ce qu'offrent les tailles 16B et 64B.
Choisissez Wan 2.2 si
- Vous voulez du texte vers vidéo ou image vers vidéo général, comme des clips créatifs, sur une GPU de 24 Go avec le modèle 5B.
- Vous voulez la communauté la plus grande, où des outils comme ComfyUI, Diffusers, LightX2V et DiffSynth-Studio ajoutent des versions quantifiées et l'offloading.
- Vous voulez Apache 2.0 et des modèles frères de la même équipe pour la vidéo guidée par audio, l'animation de personnages et la danse.
- Vous n'avez pas besoin d'une partie raisonnement ni d'actions de robot, et de courts clips muets suffisent.