‏فاین‌تیون Cosmos Predict 2.5 با LoRA برای تولید ویدیوی ربات

NVIDIA Cosmos Predict 2.5 یه مدل جهانی (World Model) در مقیاس بزرگه که می‌تونه ویدیوهای فیزیکی‌باور بسازه؛ مشروط به متن، تصویر اولیه، یا کلیپ ویدیویی. یکی از کاربردهای مهمش اینه که به‌جای جمع‌آوری دیتای واقعی از ربات‌ها — که کند و گرونه — بشه مسیرهای مصنوعی تولید کرد و ازشون برای آموزش مدل‌های رباتیک استفاده کرد.

فاین‌تیون کامل یه مدل ۲ میلیارد پارامتری هم پرهزینه‌ست و هم ریسک «فراموشی فاجعه‌بار» داره — یعنی مدل دانش عمومیش رو از دست می‌ده. LoRA (Low-Rank Adaptation) و DoRA راه‌حل هستن: ماژول‌های کوچک و قابل‌آموزشی رو به مدل منجمد اضافه می‌کنن. نتیجه اینه که فقط ~۵۰ میلیون پارامتر آموزش می‌بینن، فایل آداپتور کوچک می‌مونه، و می‌شه روی یه GPU تکی هم کار کرد.