Cosmos 3 と Wan 2.2 の比較:どちらのオープン動画モデルを選ぶ?
Cosmos 3 は NVIDIA のロボット・自動運転向け世界モデルで、4B の Edge サイズがあります。Wan 2.2 はアリババの Apache 2.0 テキスト・画像から動画を作るモデル群で、24 GB GPU 用の 5B モデルがあります。
結論. 用途で選びましょう。Cosmos 3(Edge 4B が 9.2 GB、Nano 16B が 35 GB、Super 64B が 133 GB)はフィジカル AI 向けに設計されています。短い物理シーンの動画を生成し、大きい 2 つのサイズでは音声も付き、ロボットの行動を予測し、動画についての質問にテキストで答えられます。ただし解像度は最大 720p、NVIDIA GPU を積んだ Linux で動作し、公式に検証されているのは BF16 のみです。Wan 2.2 は汎用のテキスト→動画・画像→動画ファミリーで、オフロードを使えば 24 GB GPU に収まる 5B モデルと、80 GB を要する合計 27B の混合専門家(MoE)モデル 2 つがあります。クリップは約 5 秒で、ベースモデルは無音の動画を生成し、発表から 1 年以上経っていますが、コミュニティのツールが充実しています。Cosmos 3 は OpenMDW-1.1、Wan 2.2 は Apache 2.0 で、どちらにも売上上限はありません。NVIDIA とアリババはそれぞれ自社ベンチマークでの優位を報告しており、独立した直接比較は見つかりませんでした。自分のクリップで判断しましょう。
仕様
| 仕様 | Cosmos 3 | Wan 2.2 |
|---|---|---|
| 開発元 | NVIDIA | Alibaba Wan |
| リリース日 | 2026年5月31日 | 2025年7月28日 |
| 総パラメータ数 | 64.6B (Cosmos3-Super) | 27B (T2V-A14B (text to video)) |
| アクティブパラメータ数 | すべて | 14B |
| アーキテクチャ | ハイブリッド | 拡散モデル |
| コンテキストウィンドウ | – | – |
| 入力 | テキスト, 画像, 動画, 音声 | テキスト, 画像 |
| ライセンス | OpenMDW-1.1 (パーミッシブ) | Apache 2.0 (パーミッシブ) |
| 最小バリエーションの必要メモリ(4ビット) | 11 GB (Cosmos3-Edge) | 24 GB (TI2V-5B (text or image to video)) |
性能に関する主張は開発元によるもので、独自検証は行っていません。
Cosmos 3 を選ぶべきケース
- ロボティクスや自動運転の仕事で、動画・行動・結果を予測するモデルが必要な場合。
- 動画の生成と質問応答を 1 つのモデルで行い、点や箱(ポイント・ボックス)も出せるモデルが欲しい場合。
- NVIDIA 製ハードウェアを持ち、1 枚の GPU で 4B モデルを動かしたい場合。NVIDIA によれば H100 上で 189 フレーム・480p のクリップを約 28 秒で生成します。
- 生成動画に同期した音声が欲しい場合。16B と 64B サイズが提供します。
Wan 2.2 を選ぶべきケース
- 汎用のテキスト→動画や画像→動画(クリエイティブなクリップなど)を、5B モデルで 24 GB GPU 上で作りたい場合。
- より大きなコミュニティを重視する場合。ComfyUI、Diffusers、LightX2V、DiffSynth-Studio などのツールが量子化ビルドやオフロードを提供しています。
- Apache 2.0 と、同じチームによる音声駆動動画・キャラクターアニメーション・ダンス向けの姉妹モデルが欲しい場合。
- 推論機能やロボットの行動予測は不要で、短い無音クリップで十分な場合。