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操作复杂度之中，并呈现出我们迄今为止最具说服力的体内影像。

我们的首个Cosmos-H-Dreams版本基于 Cosmos-Predict2.5 构建，将交互式生成仿真引入 dVRK 桌面缝合——这是手术机器人的基础验证场景。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：它不显式建模场景几何、组织形变和物理交互，而是直接从同步视频与机器人运动学中学习视觉动态，从而生成高真实感的交互式桌面任务仿真。

今天，Cosmos3-H-Dreams通过在 CMR Surgical Versius 平台上临床手术过程中录制的视频与机器人运动学数据进行学习，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，器械操作所处的背景相对简单。然而在人体内部，器械的微小移动就可能影响整个场景：组织在牵拉下伸展、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。微小的误差会随时间累积，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，视觉真实感是验证的起点，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。一个看起来合理但忽略这些命令的 rollout 无法作为交互式环境使用。

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、并为实时生成而蒸馏的模型来应对这一场景，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 有什么新特性？

2.1 Cosmos 3 基础模型与更丰富的手术控制

Cosmos3-H-Dreams 构建于Cosmos3-H-Embodied-Nano之上，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特化了一个双向教师模型。样本选择针对两个可见且参与操作的器械——左侧 Cadiere 抓钳和右侧单极钩——并限制相机命令以强调器械驱动的交互。

该模型使用 28 个动作维度：双臂的位姿和夹爪信息，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 结合了一条为长自回归 rollout 设计的教师到学生训练流水线，以及通过 FlashDreams 实现的加速流式推理。

我们首先在 24 个未来帧上适配双向教师模型，然后将视野扩展到 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力学。

接下来，蒸馏将双向教师模型转变为因果学生模型，使其能够在新动作到达时以短块形式生成视频。因果教师强制利用录制的上下文为学生模型的顺序生成做准备。随后，Self-Forcing 在教师模型和学习到的评论家的引导下，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 rollout 过程中的误差累积问题。

首个发布的学生模型在每个生成块中使用四步去噪。随后，我们使用两步调度对该学生模型进一步训练，以生成第二个发布检查点。两步模型是单独训练的，而不是简单地将四步模型以更少的采样步数运行。

更少的去噪步数会带来更快的推理时间，但代价是视觉质量下降。两个检查点让开发者能够探索视觉质量与推理成本之间的平衡。

2.3 通过 FlashDreams 进行流式处理

FlashDreams提供加速的流式运行时。长时间 rollout 还需要管理模型的注意力历史。Cosmos3-H-Dreams 集成使用了一个改编的 FadeMem 模块，在长时间 rollout 期间整合不断增长的键/值缓存。这与 Self-Forcing 相辅相成：蒸馏解决的是模型如何从其生成的历史中学习，而缓存整合解决的是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。

这两个视频以相同的初始帧开始，但遵循不同的动作序列，展示了器械控制如何导致同一场景的不同延续，并具有物理上准确的组织变形。

此外，这些 rollout 让我们能够检查器械是否遵循控制指令、组织是否对交互做出连贯响应，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。该系统可以适配其他数据集和具身形态，只需同步视频和兼容的动作表示。要在你自己的数据集上训练实时学生模型，我们在以下内容中提供了教师微调和 Self-Forcing 蒸馏的完整配方分步指南。其中描述了数据准备、公开的教师训练工具以及蒸馏阶段。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：

  • 对完整手术过程建模。扩大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。
  • 连接生成式与数值模拟。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。数值模型和测量数据可以帮助约束和验证形变，使模拟行为既可检查又令人信服。
  • 与外科医生一起评估。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测试。
  • 支持更多器械。超越两种受控工具，实现更丰富的协调、遮挡和交互。
  • 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术子任务。

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，而非经过验证的患者护理系统。它为在日益真实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：

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构建出什么。