Cosmos 3 vs Wan 2.2: qual modelo de vídeo aberto escolher?
Cosmos 3 é o modelo de mundo da NVIDIA para robôs e direção, com um tamanho Edge de 4B; Wan 2.2 é a família da Alibaba de texto e imagem para vídeo sob Apache 2.0, com um modelo 5B para GPUs de 24 GB.
Veredito. Escolha pela tarefa. O Cosmos 3 (Edge 4B a 9,2 GB, Nano 16B a 35 GB, Super 64B a 133 GB) é feito para a IA física: gera vídeo curto de cenas físicas, com áudio nos dois tamanhos maiores, prevê ações de robôs e responde perguntas sobre o vídeo em texto, mas fica em 720p, roda em Linux com GPUs NVIDIA e oficialmente testa apenas BF16. O Wan 2.2 é uma família geral de texto para vídeo e imagem para vídeo, com um modelo 5B que cabe em uma GPU de 24 GB usando offloading e dois modelos mixture-of-experts de 27B no total que pedem 80 GB. Seus clipes têm cerca de cinco segundos, seus modelos base geram vídeo sem som, e tem mais de um ano, mas seu ferramental comunitário é grande. O Cosmos 3 está sob OpenMDW-1.1 e o Wan 2.2 sob Apache 2.0, e nenhum tem limite de receita. NVIDIA e Alibaba relatam vitórias cada uma em seus próprios benchmarks, e não encontramos um duelo independente, então julgue pelos seus próprios clipes.
Especificações
| Especificações | Cosmos 3 | Wan 2.2 |
|---|---|---|
| Desenvolvedor | NVIDIA | Alibaba Wan |
| Lançamento | 31 de maio de 2026 | 28 de julho de 2025 |
| Total de parâmetros | 64.6B (Cosmos3-Super) | 27B (T2V-A14B (text to video)) |
| Parâmetros ativos | Todos | 14B |
| Arquitetura | Híbrida | Difusão |
| Janela de contexto | – | – |
| Entrada | Texto, Imagem, Vídeo, Áudio | Texto, Imagem |
| Licença | OpenMDW-1.1 (Permissiva) | Apache 2.0 (Permissiva) |
| Memória para a menor variante (4 bits) | 11 GB (Cosmos3-Edge) | 24 GB (TI2V-5B (text or image to video)) |
As afirmações de desempenho vêm do desenvolvedor e não foram verificadas de forma independente.
Escolha Cosmos 3 se
- Você trabalha com robótica ou direção autônoma e precisa de um modelo que preveja vídeo, ações ou resultados.
- Você quer um modelo que gere vídeo e responda perguntas sobre ele, com pontos e caixas.
- Você tem hardware NVIDIA e quer um modelo 4B em uma GPU, que segundo a NVIDIA gera um clipe de 189 quadros a 480p em cerca de 28 segundos em uma H100.
- Você quer áudio sincronizado no vídeo gerado, algo que os tamanhos 16B e 64B oferecem.
Escolha Wan 2.2 se
- Você quer texto para vídeo ou imagem para vídeo em geral, como clipes criativos, em uma GPU de 24 GB com o modelo 5B.
- Você quer a comunidade maior, onde ferramentas como ComfyUI, Diffusers, LightX2V e DiffSynth-Studio adicionam builds quantizados e offloading.
- Você quer Apache 2.0 e modelos irmãos da mesma equipe para vídeo guiado por áudio, animação de personagens e dança.
- Você não precisa de uma parte de raciocínio nem de ações de robô, e clipes curtos sem som bastam.