Cosmos-Predict2.5-14B
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- NVIDIA
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 29 September 2025
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Video
- Compito
- Video generation, Text-to-video, Image-to-video, Video-to-video
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 14B
- Dati di addestramento
- tokens
"Trained on 200M curated video clips and refined with reinforcement learning–based post-training" "we apply the same 1 × 2 × 2 patchification strategy to compress latent features further. We train our model to generate 93 frames, which corresponds to 24 latent frames, at a time using 16 fps videos. Each of the generated videos is about 5.8 seconds long." 200*10^6 * 5.8 / 3600 = 322222 hours of video
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA H100 SXM5 80GB
- Chip utilizzati
- 4,096
- Utilizzo dell'hardware
- MFU 33.1%
- Consumo energetico
- 5.6 MW
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- World Simulation with Video Foundation Models for Physical AI
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Cosmos-Predict2.5-14B è stato pubblicato da NVIDIA, nel paese registrato come United States of America, durante September 2025. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Video, ed è registrato come eseguire il compito di video generation, Text-to-video, Image-to-video, Video-to-video.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Risposte
Cosmos-Predict2.5-14B — domande comuni
Cosmos-Predict2.5-14B— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
Cosmos-Predict2.5-14B— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Cosmos-Predict2.5-14B— quanti parametri ha?
Ha un numero di parametri di 14B. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
Cosmos-Predict2.5-14B— chi l'ha creato?
È stato pubblicato da NVIDIA, basato su United States of America, un'organizzazione categorizzata come industry.
Cosmos-Predict2.5-14B— quando è stato rilasciato?
È stato pubblicato in September 2025.
Cosmos-Predict2.5-14B— A cosa serve?
Funziona nel dominio di Video, e viene registrato come gestire il compito di video generation, Text-to-video, Image-to-video, Video-to-video. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.