Cosmos 3 против Wan 2.2: какую открытую видеомодель выбрать?
Cosmos 3 — модель мира от NVIDIA для роботов и вождения, с размером Edge 4B; Wan 2.2 — семейство Alibaba для преобразования текста и изображения в видео под Apache 2.0, с моделью 5B для GPU на 24 ГБ.
Вердикт. Выбирайте по задаче. Cosmos 3 (Edge 4B — 9,2 ГБ, Nano 16B — 35 ГБ, Super 64B — 133 ГБ) создана для физического ИИ: она генерирует короткое видео физических сцен, в двух больших размерах со звуком, предсказывает действия роботов и отвечает текстом на вопросы о видео, но не поднимается выше 720p, работает на Linux с NVIDIA GPU и официально проверена только в BF16. Wan 2.2 — универсальное семейство текст-в-видео и изображение-в-видео, с моделью 5B, которая умещается на GPU 24 ГБ с использованием offloading, и двумя mixture-of-experts моделями суммарно на 27B, которым нужно 80 ГБ. Её клипы — около пяти секунд, базовые модели создают видео без звука, и ей больше года, но инструментов сообщества много. Cosmos 3 распространяется под OpenMDW-1.1, Wan 2.2 — под Apache 2.0, и у обеих нет ограничения по выручке. NVIDIA и Alibaba каждая отчитываются о победах на своих бенчмарках, независимого прямого сравнения мы не нашли, поэтому судите по собственным клипам.
Характеристики
| Характеристики | Cosmos 3 | Wan 2.2 |
|---|---|---|
| Разработчик | NVIDIA | Alibaba Wan |
| Дата выпуска | 31 мая 2026 г. | 28 июля 2025 г. |
| Всего параметров | 64.6B (Cosmos3-Super) | 27B (T2V-A14B (text to video)) |
| Активные параметры | Все | 14B |
| Архитектура | Гибридная | Диффузионная |
| Контекстное окно | – | – |
| Вход | Текст, Изображение, Видео, Аудио | Текст, Изображение |
| Лицензия | OpenMDW-1.1 (Пермиссивная) | Apache 2.0 (Пермиссивная) |
| Память для минимального варианта (4 бита) | 11 GB (Cosmos3-Edge) | 24 GB (TI2V-5B (text or image to video)) |
Заявления о производительности поступают от разработчика и не проверялись независимо.
Выбирайте Cosmos 3, если
- Вы работаете в робототехнике или беспилотном вождении, и вам нужна модель, предсказывающая видео, действия или результаты.
- Вам нужна одна модель, которая генерирует видео и отвечает на вопросы о нём, с точками и рамками.
- У вас оборудование NVIDIA, и вы хотите модель 4B на одной GPU — по словам NVIDIA, на H100 она делает клип из 189 кадров 480p примерно за 28 секунд.
- Вам нужен синхронизированный звук в сгенерированном видео — его дают размеры 16B и 64B.
Выбирайте Wan 2.2, если
- Вам нужно обычное преобразование текста в видео или изображения в видео, например творческие клипы, на GPU 24 ГБ с моделью 5B.
- Вам нужно более крупное сообщество, где инструменты вроде ComfyUI, Diffusers, LightX2V и DiffSynth-Studio добавляют квантованные сборки и offloading.
- Вам нужна Apache 2.0 и модели-сёстры той же команды для видео под аудио, анимации персонажей и танцев.
- Вам не нужны блок рассуждений или действия робота, и короткие беззвучные клипы достаточны.