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.

  • Обновлено

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 3Wan 2.2
РазработчикNVIDIAAlibaba Wan
Дата выпуска31 мая 2026 г.28 июля 2025 г.
Всего параметров64.6B (Cosmos3-Super)27B (T2V-A14B (text to video))
Активные параметрыВсе14B
АрхитектураГибриднаяДиффузионная
Контекстное окно––
ВходТекст, Изображение, Видео, АудиоТекст, 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.

Cosmos 3 · Wan 2.2