Cosmos 3 与 Wan 2.2 对比:该选哪个开放视频模型?

Cosmos 3 是 NVIDIA 面向机器人和自动驾驶的世界模型,有 4B 的 Edge 尺寸;Wan 2.2 是阿里的 Apache 2.0 文生视频和图生视频家族,5B 模型适合 24 GB 显卡。

  • 更新于

结论. 先看要做的事。Cosmos 3(Edge 4B 为 9.2 GB,Nano 16B 为 35 GB,Super 64B 为 133 GB)为物理 AI 而设计:它能生成短的物理场景视频,两个较大的尺寸还带音频,能预测机器人动作,也能用文字回答关于视频的问题,但最高只到 720p,只能在装有 NVIDIA GPU 的 Linux 上运行,官方只测试了 BF16。Wan 2.2 是通用的文生视频和图生视频家族,5B 模型开启卸载后能放进 24 GB 显卡,两个总参数 27B 的混合专家模型则需要 80 GB。它的片段约五秒,基础模型生成的视频没有声音,发布已超过一年,但社区工具丰富。Cosmos 3 采用 OpenMDW-1.1,Wan 2.2 采用 Apache 2.0,两者都没有营收上限。NVIDIA 和阿里各自报告了在自家基准上的领先,我们没有找到独立的正面对比,所以请用你自己的片段来判断。

规格

规格 Cosmos 3Wan 2.2
开发方NVIDIAAlibaba Wan
发布时间2026年5月31日2025年7月28日
总参数量64.6B (Cosmos3-Super)27B (T2V-A14B (text to video))
激活参数量全部14B
架构混合扩散
上下文窗口––
输入文本, 图像, 视频, 音频文本, 图像
许可证 OpenMDW-1.1 (宽松) Apache 2.0 (宽松)
最小版本所需内存(4 位)11 GB (Cosmos3-Edge)24 GB (TI2V-5B (text or image to video))

性能数据来自开发方,未经独立验证。

选 Cosmos 3 的情况

  • 你做机器人或自动驾驶研究,需要预测视频、动作或结果的模型。
  • 你想用一个模型既生成视频,又回答关于视频的问题,答案里带点和框。
  • 你有 NVIDIA 硬件,想在单张 GPU 上用 4B 模型,NVIDIA 称它在 H100 上约 28 秒生成一段 189 帧、480p 的片段。
  • 你想让生成的视频带同步音频,16B 和 64B 尺寸提供这一点。

选 Wan 2.2 的情况

  • 你想要通用的文生视频或图生视频,比如在 24 GB 显卡上用 5B 模型做创意片段。
  • 你想要更大的社区,ComfyUI、Diffusers、LightX2V 和 DiffSynth-Studio 等工具提供量化版本和卸载。
  • 你想要 Apache 2.0,以及同一团队用于音频驱动视频、角色动画和舞蹈的姊妹模型。
  • 你不需要推理能力或机器人动作,短的无声片段就够用。

Cosmos 3 · Wan 2.2