AWS博客详述如何在SageMaker HyperPod上构建基于NVIDIA Cosmos 3的物理AI模型工厂
AWS机器学习博客发布指南，展示如何使用NVIDIA Cosmos 3（一种支持视频、图像、动作和声音的统一世界基础模型）在SageMaker HyperPod上构建持续的物理AI模型工厂。
AI解读：物理AI系统（如机器人和自动驾驶汽车）需要不断将新数据转化为改进的模型，而不是一次性训练。AWS的这篇指南展示了如何利用NVIDIA Cosmos 3——一个同时处理视频、图像、动作和声音的统一模型——在SageMaker HyperPod上构建这样的循环。其核心优势在于：Cosmos 3通过一个模型支持三种模式（生成合成数据、标注动作、部署策略），因此所有阶段可以在同一个GPU集群上运行，避免了为每个阶段单独配置GPU和迁移数据带来的成本。指南提供实际配置和代码，帮助团队衡量GPU有效吞吐率（goodput），而不仅仅是峰值性能，从而优化成本。对于开发机器人和自动驾驶技术的团队，这意味着降低基础设施开销并加速迭代；但文章没有提供效果数据，实际收益仍取决于各自负载。
AWS机器学习博客发布了一篇技术指南，介绍如何在Amazon SageMaker HyperPod上，利用NVIDIA Cosmos 3构建一个持续运行的物理AI模型工厂，涵盖合成数据生成、后训练和闭环评估。
物理AI系统（如机器人和自动驾驶汽车）的构建需要持续的数据循环：生成合成数据、后训练感知和策略模型，并在闭环模拟中评估，而不是一次性的训练作业。
Cosmos 3的架构与三种模式
Cosmos 3是一个开放的全模态（omnimodal）世界基础模型，将视频、图像、动作和声音视为单一token流。它采用Mixture-of-Transformers（MoT）设计，每个层都集成了推理器和生成器，并通过双层注意力连接。
该模型具有训练与推理的不对称性：训练运行完整去噪调度并解码视频，而机器人运行时只执行少量去噪步骤，跳过视频解码，仅解码动作token。
Cosmos 3有三种模式：前向动力学（世界模型，用于生成合成数据）、逆动力学（动作标注器）和策略（部署的机器人）。
模型分为Cosmos3-Nano（约 16B参数）和Cosmos3-Super（约 64B参数），两者基于Qwen3-VL骨干；另有Cosmos3-Edge（约 4B参数）用于设备端部署，但权重线路独立。
模型工厂的四阶段循环与集群需求
物理AI团队需运行四阶段循环：摄取真实数据、用Cosmos3-Super生成合成数据、训练可部署的Cosmos3-Nano策略、在闭环模拟中评估并反馈失败案例。
AWS文章指出，持续运行此循环的集群需求包括：单个EKS控制平面上的持久GPU池、健康检查和自动恢复、预配置的EFA用于多节点NCCL，以及可选的任务治理。
AWS建议使用SageMaker HyperPod，因为其支持Kubernetes工作负载、FSx for Lustre共享存储，以及自动重启和检查点恢复，从而减少因节点故障导致的GPU工时损失。
示例工作负载与参考集群
该文章提供了三个代表性工作的端到端示例：基于DROID数据集的机器人策略训练（Cosmos3-Nano）、视觉监督微调（Cosmos3-Nano），以及 64B模型的LoRA微调（使用上下文并行）。
所有工作均在p5en.48xlarge（8x NVIDIA H200 GPU）上运行，并使用真实的NVIDIA cosmos-framework进行训练。
AWS提供了Terraform模块和代码仓库，以复制基础设施；该帖子强调GPU goodput是关键成本指标，而非峰值吞吐量。