NVIDIA 发布 Cosmos3-H-Dreams 临床手术生成式模拟器

想象一下移动 Cadiere 抓钳、夹住胆囊并将其提起，这一切都发生在一个实时响应的生成式手术场景中。今天，我们迈出下一步，推出 Cosmos3-H-Dreams，将交互式生成仿真带入临床手术的视觉与流程复杂性之中，呈现我们迄今为止最逼真的体内影像。

我们基于 Cosmos-Predict2.5 构建的首个 Cosmos-H-Dreams 版本，将交互式生成仿真带到了 dVRK 桌面缝合——这是手术机器人的一个基础性验证平台。作为世界基础模型（WFM），Cosmos-H-Dreams 展示了一种替代数值仿真的方案：它并非显式建模场景几何、组织形变和物理交互，而是直接从同步视频和机器人运动学中学习视觉动态，从而实现高逼真度的交互式桌面任务仿真。

今天，Cosmos3-H-Dreams 通过学习 CMR Surgical Versius 平台上临床手术过程中录制的视频和机器人运动学，进一步提升了这一能力。据我们所知，这是首个基于临床胆囊切除术录像训练、支持实时运动学控制的实时生成式手术模拟器。Cosmos3-H-Dreams 由 Cosmos 3 驱动，并借助 NVIDIA 的加速流式推理库 FlashDreams 加速，可在单块 NVIDIA RTX PRO 6000 GPU 上交互式运行。

1. 从桌面任务到临床场景

在像 Cosmos-H-Dreams 这样的受控桌面环境中，器械是在相对简单的背景下操作的。然而在人体内部，器械的微小运动可能影响整个场景：组织在牵拉下拉伸，反光发生偏移，结构被遮挡，烟雾改变可见度。给定初始图像和提供的工具动作，生成式模拟器在生成每一段新视频时，必须捕捉这些响应，同时保持解剖结构和器械不变。小误差会随时间累积，逐渐改变器械几何形状或解剖结构，因此时间一致性至关重要。

因此，视觉逼真度只是验证的起点，而非生物力学准确性的证明。生成的场景还必须遵循控制指令：平移、旋转和夹爪命令应产生连贯的解剖学后果。一个看似合理却无视这些命令的推演，无法作为交互式环境使用。

要在实时控制回路中保持这种保真度和响应性，需要低延迟生成。Cosmos3-H-Dreams 通过一个专为临床胆囊切除术特化、并经过蒸馏以实现实时生成的模型来应对这一需求，将动作条件交互带入具有复杂解剖结构、组织运动和遮挡的场景中。

2. Cosmos3-H-Dreams 有哪些新特性？

2.1 Cosmos 3 基础模型与更丰富的手术控制

Cosmos3-H-Dreams 基于 Cosmos3-H-Embodied-Nano 构建，这是一个在 Open-H-Embodiment 上预训练的 160 亿参数模型，并在精选的胆囊切除术视频和运动学数据上对双向教师模型进行了特化。样本筛选针对两把可见且处于操作状态的器械——左侧 Cadiere 抓钳和右侧单极电钩，并限制相机指令以强调器械驱动的交互。

该模型使用 28 个动作维度：双臂的位姿与夹爪信息，外加能量控制、摇杆轴和摇杆按钮。训练使用 832 x 480 视频，动作以 10 Hz 对齐；该采样率与运行时生成吞吐量不同。

2.2 从教师模型到四步和两步学生模型

Cosmos3-H-Dreams 将面向长自回归推演的教师到学生训练流程，与通过 FlashDreams 实现的加速流式推理相结合。

我们首先在 24 个未来帧上适配双向教师模型，然后将时域扩展到 72 帧，即在 10 Hz 下为 2.4 秒和 7.2 秒。这为教师模型提供了更长的序列来学习手术动态。

接下来，蒸馏将双向教师模型转变为因果学生模型，能够在新动作到达时以短块形式生成视频。因果教师强制让学生模型使用录制的上下文为顺序生成做好准备。随后，Self-Forcing 在教师模型和学习到的 critic 引导下，基于自身生成的上下文对其进行训练。这有助于解决交互式推演过程中误差累积的问题。

首个发布的学生模型在每个生成块中使用四步去噪。随后，我们以两步调度对该学生模型进一步训练，生成第二个发布检查点。两步模型是单独训练的，并非简单地将四步模型以更少采样步数运行。

更少的去噪步数会带来更快的推理时间，但代价是更低的视觉质量。两个检查点让开发者可以探索视觉质量与推理成本之间的平衡。

2.3 通过 FlashDreams 进行流式传输

FlashDreams 提供加速流式运行时。长推演还需要管理模型的注意力历史。Cosmos3-H-Dreams 集成使用改编的 FadeMem 模块，在长推演期间合并不断增长的键/值缓存。这与 Self-Forcing 互补：蒸馏解决模型如何从其生成历史中学习，而缓存合并解决该历史在流式生成期间如何存储。

3. 探索未见过的轨迹

在临床手术过程中，可能会出现并发症，或者外科医生有一定空间执行“新颖”动作。因此，模拟器必须能够泛化到训练数据之外，并生成具有未见动作的连贯帧。下面的演示展示了 Cosmos3-H-Dreams 根据 VR 头显记录的器械动作，生成不同的胆囊切除术场景。

这两段视频从相同的初始帧开始，但遵循不同的动作序列，说明器械控制如何导致同一场景产生不同的延续，并伴有物理上准确的组织变形。

此外，这些推演让我们能够检查器械是否遵循控制、组织是否对交互做出一致响应，以及解剖结构和器械外观是否随时间保持一致。

4. 适配你自己的数据和控制器

Cosmos3-H-Dreams 包含用于胆囊切除术的四步和两步检查点。该系统可适配其他具有同步视频和兼容动作表示的数据集与具身形态。要基于你自己的数据集训练实时学生模型，我们在分步指南中提供了教师微调和 Self-Forcing 蒸馏的完整方案。其中描述了数据准备、公开的教师训练工具以及各蒸馏阶段。控制器集成必须使用与训练相同的动作约定和归一化。

5. 下一步是什么

视觉真实感的进步开辟了若干研究方向：

建模完整流程。扩展覆盖范围和时间一致性，使胆囊切除术的所有阶段都能被系统地探索，并具有清晰的任务边界和成功标准。
连接生成式与数值仿真。将学习到的视觉真实感与显式几何、接触和组织力学相结合。数值模型和实测数据有助于约束和验证形变，使仿真行为既可被检验又令人信服。
由外科医生评估。评估解剖准确性、器械行为和组织响应，将专家反馈转化为可复现的基准。
支持更多器械。超越两把受控工具，实现更丰富的协调、遮挡与交互。
开发自主手术策略。将世界动作模型与 Cosmos3-H-Dreams 闭环耦合，使策略能够学习定义明确的胆囊切除子任务。

这些是研究方向，而非已确立的临床能力。Cosmos3-H-Dreams 是一个研究用模拟器，而非经临床验证的患者护理系统。它为在日益逼真的环境中研究手术交互提供了基础。

6. 立即开始

探索 Cosmos3-H-Dreams 背后的模型、数据和运行时：

Cosmos3-H-Dreams 代码与示例：GitHub 仓库
Cosmos3-H-Dreams 模型：Hugging Face 检查点
Cosmos3-H-Embodied-Nano：Hugging Face 模型和GitHub 仓库
适配你自己的数据：教师微调和自强制蒸馏的分步方案
Open-H-Embodiment：Hugging Face 数据集
FlashDreams：GitHub 仓库
NVIDIA Cosmos 3：GitHub 仓库

带上你的控制器、你的轨迹和你的研究问题。我们期待看到社区在这些全新的手术世界中创造出什么。