Cosmos-Policy-ALOHA-Predict2-2B 是 NVIDIA 面向真实双臂机器人操作的 2B 参数策略模型，由 NVIDIA Cosmos-Predict2-2B-Video2World 视频基础模型单阶段微调而来，架构保持为带潜视频扩散的 diffusion transformer。模型输入自然语言任务描述、多视角 RGB 图像和本体状态，输出动作序列、未来状态预测与价值估计。

模型训练于 ALOHA-Cosmos-Policy 数据集，包含 ALOHA 2 平台、两台 ViperX 300 S 机械臂上的 185 条真实人类遥操作示范，覆盖 put X on plate、fold shirt、put candies in bowl、put candy in ziploc bag 四个双臂任务，并报告在这四项真实任务上的平均完成率为 93.6%。策略要求 25 Hz 控制器，使用顶视角和左右腕部相机，动作块为 50 步。

该模型用于研究与开发，许可证为 NVIDIA One-Way Noncommercial License，明确不可商用。推理集成提到 Transformers、Linux、NVIDIA Hopper，并仅测试过 BF16；部署到真实硬件时需注意相机、标定、关节限制和夹爪等硬件差异，并在首次执行时检查当前状态与下一步指令差异以保障安全。