Genie 3、Cosmos 3、V-JEPA 2-AC：三条路线在做什么？

三个对象，三种研究目标

Genie 3 是可交互生成世界的一项具体研究；Cosmos 3 被发布材料称为世界模型家族；V-JEPA 2-AC 则是在预训练视频编码器之上另行训练的动作条件预测器。它们连对象层级都不同，不能直接排成一张能力榜。

这三条路线分别面向可进入的视觉环境、多种物理 AI 信号，以及可供动作选择使用的内部表征。下面的比较限于本站已收录来源能支持的内容。

三个对象的阅读对照；各格仅概括本站已收录材料
对象	材料描述的主要结果	接着应问
Genie 3	由文本生成可实时导航的动态视觉世界；未来依据智能体动作变化。	能连续交互多久？能否用于具体任务评估？
Cosmos 3	联合处理和生成语言、图像、视频、音频与动作序列的模型家族。	讨论的是家族、哪一个变体，还是某种下游流程？
V-JEPA 2-AC	以视频观测、动作和机器人状态为条件，预测未来观测的表征。	预测是否改善目标任务？目标与硬件设置是什么？

DeepMind 对 Genie 3 的描述是：文本提示生成动态世界，用户或智能体可以实时导航；模型依据智能体动作模拟后续变化。每次行动都会成为接下来生成过程的条件。

发布材料把连续交互时间限定在几分钟。可导航的演示展示了交互能力，长时间任务中的稳定性和对智能体训练的帮助仍要另行测试。

NVIDIA 将 Cosmos 3 原始材料">Cosmos 3 描述为能联合处理和生成语言、图像、视频、音频及动作序列的模型家族。所引官方产品页列出可用动作输入生成后续情境；控制接口、任务与运行条件则要看具体变体。

官方后续材料已说明 Super、Nano 与 Edge 均已提供下载。这里记录的是开放权重声明，不等于所有变体共享同一接口、许可或硬件条件，也不是本站对下载与运行的实测。

V-JEPA 2-AC 的论文写到：预训练后冻结视频编码器，再训练新的动作条件预测器。它利用过去的视频帧、动作和末端执行器状态，预测未来视频观测的表征。

这一对象还有自己的任务边界：所引论文指出，自回归预测会积累误差，影响长时程规划。若要比较机器人规划表现，应看具体任务、数据和部署设置；不能把基础 V-JEPA 2 的一般说明自动转给这个后训练变体。

Genie 3 要看行动响应和持续时间；Cosmos 3 要追到具体变体的接口；V-JEPA 2-AC 要看内部预测能否帮助任务。三者的输出和验证条件不同，画面质量或模型名称无法给出有意义的总排名。