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.

  • Atualizado

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 3Wan 2.2
DesenvolvedorNVIDIAAlibaba Wan
Lançamento31 de maio de 202628 de julho de 2025
Total de parâmetros64.6B (Cosmos3-Super)27B (T2V-A14B (text to video))
Parâmetros ativosTodos14B
ArquiteturaHíbridaDifusão
Janela de contexto––
EntradaTexto, Imagem, Vídeo, ÁudioTexto, 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.

Cosmos 3 · Wan 2.2