Cosmos-Reason1: Do Senso Comum Físico ao Raciocínio Incorporado

Cosmos-Reason1: From Physical Common Sense To Embodied Reasoning

March 18, 2025

Autores: 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

Resumo

Sistemas de IA física precisam perceber, compreender e realizar ações complexas no mundo físico. Neste artigo, apresentamos os modelos Cosmos-Reason1, que podem entender o mundo físico e gerar decisões corporificadas apropriadas (por exemplo, a próxima ação) em linguagem natural por meio de longos processos de raciocínio em cadeia de pensamento. Começamos definindo capacidades-chave para o raciocínio de IA física, com foco no senso comum físico e no raciocínio corporificado. Para representar o senso comum físico, usamos uma ontologia hierárquica que captura conhecimento fundamental sobre espaço, tempo e física. Para o raciocínio corporificado, contamos com uma ontologia bidimensional que generaliza diferentes formas de corporificação física. Com base nessas capacidades, desenvolvemos dois modelos de linguagem multimodal de grande escala, Cosmos-Reason1-8B e Cosmos-Reason1-56B. Curamos dados e treinamos nossos modelos em quatro estágios: pré-treinamento visual, ajuste fino supervisionado geral (SFT), SFT de IA física e aprendizado por reforço (RL) de IA física como pós-treinamento. Para avaliar nossos modelos, construímos benchmarks abrangentes para senso comum físico e raciocínio corporificado de acordo com nossas ontologias. Os resultados da avaliação mostram que o SFT de IA física e o aprendizado por reforço trazem melhorias significativas. Para facilitar o desenvolvimento da IA física, disponibilizaremos nosso código e modelos pré-treinados sob a Licença de Modelo Aberto da NVIDIA em 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.