Cosmos-Reason1: Dal Senso Comune Fisico al Ragionamento Incorporato

Cosmos-Reason1: From Physical Common Sense To Embodied Reasoning

March 18, 2025

Autori: NVIDIA, Alisson Azzolini, Hannah Brandon, Prithvijit Chattopadhyay, Huayu Chen, Jinju Chu, Yin Cui, Jenna Diamond, Yifan Ding, Francesco Ferroni, Rama Govindaraju, Jinwei Gu, Siddharth Gururani, Imad El Hanafi, Zekun Hao, Jacob Huffman, Jingyi Jin, Brendan Johnson, Rizwan Khan, George Kurian, Elena Lantz, Nayeon Lee, Zhaoshuo Li, Xuan Li, Tsung-Yi Lin, Yen-Chen Lin, Ming-Yu Liu, Andrew Mathau, Yun Ni, Lindsey Pavao, Wei Ping, David W. Romero, Misha Smelyanskiy, Shuran Song, Lyne Tchapmi, Andrew Z. Wang, Boxin Wang, Haoxiang Wang, Fangyin Wei, Jiashu Xu, Yao Xu, Xiaodong Yang, Zhuolin Yang, Xiaohui Zeng, Zhe Zhang

cs.AI

Abstract

I sistemi di AI fisica devono percepire, comprendere ed eseguire azioni complesse nel mondo fisico. In questo articolo, presentiamo i modelli Cosmos-Reason1 in grado di comprendere il mondo fisico e generare decisioni incarnate appropriate (ad esempio, l'azione successiva) in linguaggio naturale attraverso processi di ragionamento a catena lunga. Iniziamo definendo le capacità chiave per il ragionamento dell'AI fisica, con un focus sul senso comune fisico e sul ragionamento incarnato. Per rappresentare il senso comune fisico, utilizziamo un'ontologia gerarchica che cattura la conoscenza fondamentale su spazio, tempo e fisica. Per il ragionamento incarnato, ci affidiamo a un'ontologia bidimensionale che generalizza diverse incarnazioni fisiche. Basandoci su queste capacità, sviluppiamo due modelli multimodali di grandi dimensioni, Cosmos-Reason1-8B e Cosmos-Reason1-56B. Curiamo i dati e addestriamo i nostri modelli in quattro fasi: pre-addestramento visivo, fine-tuning supervisionato generale (SFT), SFT di AI fisica e apprendimento per rinforzo (RL) di AI fisica come post-addestramento. Per valutare i nostri modelli, costruiamo benchmark completi per il senso comune fisico e il ragionamento incarnato secondo le nostre ontologie. I risultati di valutazione mostrano che il SFT e l'apprendimento per rinforzo dell'AI fisica portano miglioramenti significativi. Per facilitare lo sviluppo dell'AI fisica, renderemo disponibili il nostro codice e i modelli pre-addestrati sotto la licenza NVIDIA Open Model License all'indirizzo https://github.com/nvidia-cosmos/cosmos-reason1.

English

Physical AI systems need to perceive, understand, and perform complex actions in the physical world. In this paper, we present the Cosmos-Reason1 models that can understand the physical world and generate appropriate embodied decisions (e.g., next step action) in natural language through long chain-of-thought reasoning processes. We begin by defining key capabilities for Physical AI reasoning, with a focus on physical common sense and embodied reasoning. To represent physical common sense, we use a hierarchical ontology that captures fundamental knowledge about space, time, and physics. For embodied reasoning, we rely on a two-dimensional ontology that generalizes across different physical embodiments. Building on these capabilities, we develop two multimodal large language models, Cosmos-Reason1-8B and Cosmos-Reason1-56B. We curate data and train our models in four stages: vision pre-training, general supervised fine-tuning (SFT), Physical AI SFT, and Physical AI reinforcement learning (RL) as the post-training. To evaluate our models, we build comprehensive benchmarks for physical common sense and embodied reasoning according to our ontologies. Evaluation results show that Physical AI SFT and reinforcement learning bring significant improvements. To facilitate the development of Physical AI, we will make our code and pre-trained models available under the NVIDIA Open Model License at https://github.com/nvidia-cosmos/cosmos-reason1.