NVIDIA、Cosmos 3 Nanoの精度を93.35%へ──TAOで1日以内に追加学習

何が発表されたか

NVIDIAは2026年7月14日、映像を見て考えるAIモデルCosmos 3 Nanoを、AIエージェントを使って追加学習する実験を公式技術ブログで公開しました。使ったのは、モデルの学習作業を助けるNVIDIA TAOのエージェント機能と、学習条件を自動で探すTAO AutoMLです。

実験では、トヨタのWoven Traffic Safety（WTS）データセットを使いました。道路の形や信号などを映像から読み取り、4つの答えから正解を選ぶ問題です。学習前のCosmos 3 Nanoの正解率は54.41%でした。LoRAという方法で追加学習すると87.14%になり、AutoMLで条件を調整した最良の結果は93.35%になりました。

どこまで自動化できたのか

NVIDIA TAOのエージェント機能は、学習用データの形式確認、学習前の成績測定、LoRAの設定、学習の実行、結果の比較までをコーディングAIエージェントに進めさせます。実演では、データに映像のFPS情報が足りない問題もAIエージェントが見つけ、設定を直しました。

最初のLoRA学習は、NVIDIA A100（80GB）を8基使い、約30分で終わりました。その後、TAO AutoMLが学習率やLoRAの設定などを変えながら43通りを試しました。43通りは複数のA100を使って同時に実行され、93.35%の結果が出るまでに19.5時間かかりました。NVIDIAがいう「1日以内」は、この大きな計算環境での実験結果です。

追加学習したLoRAのデータは、Cosmos 3 Reasoner NIMに渡して使えます。NIMは、文章、画像、映像を入力できるOpenAI互換の接続口を提供します。NVIDIAによると、複雑なCUDA環境を自分で組み合わせる手間を減らせます。

なぜ仕事や会社に重要なのか

映像AIを会社ごとの現場に合わせるには、カメラの角度や作業環境に合うデータで追加学習する必要があります。しかし、データの形式をそろえ、設定を変え、何度も結果を比べる作業には時間がかかります。今回の実演は、その繰り返し作業の多くをAIエージェントに任せられる可能性を示しました。

対象になり得るのは、自動運転だけではありません。NVIDIAは、倉庫の監視、ロボットの作業場所、交通映像などにも同じ流れを使えると説明しています。担当者は、細かな設定作業よりも、どの映像を学ばせるか、何を正解とするか、結果が安全基準を満たすかの判断に時間を使いやすくなります。

ただし、93.35%はWTSデータセットの4択問題で出た数字です。別の現場や別の映像でも同じ正解率になるとは限りません。また、今回の速さには多数の高性能GPUを同時に使ったことが大きく影響しています。会社で試す場合は、まず小さなデータで基準値を測り、必要な精度、GPU費用、人が確認するポイントを決めてから進めることが大切です。