今天的共同点很具体：模型更小，采样更少，画面更可控。

NVIDIA 于 7 月 20 日在 Hugging Face 发布 4B 的 Cosmos 3 Edge，并同步放出 Cosmos3-Super 的 4 步图生视频与文生图检查点。发布文章称，蒸馏版 I2V 在 7 月 23 日的 Artificial Analysis 开放权重榜单中排名第 1。1

它更适合有 NVIDIA GPU、想把图生视频或文生图接入本地工作流的开发者。Cosmos 3 Edge 的主线仍是机器人和物理 AI，不是面向普通创作者的成品应用；排行榜数字也是发布文章引用的外部评测。下一步可以先看 Cosmos3-Super-Image2Video-4Step 模型页，再核对显存和推理环境。

Microsoft Mage Team 在 7 月 22 日的论文版本中报告 Mage-Flow：4B 的原生分辨率多模态扩散 Transformer，同时支持文生图和指令式图像编辑，输出尺寸从 512×512 到 2048×2048，论文还给出 4 步 Turbo 版本。2

论文在单张 A100 的对比设置中报告，1024² 图像 4 步生成约 0.59 秒、4 步编辑约 1.02 秒，峰值显存约 18–20 GB。2 这些数字不能直接当成消费级显卡体验；适合先读完整 benchmark、确认权重发布状态，再判断是否值得本地部署。

AlayaWorld 论文提出一个约 15B 的交互式长时视频世界模型：它按短视频块自回归生成 24 fps、540p 或 720p 画面，接收相机轨迹和可切换文字提示，并用视觉记忆减少长时间滚动中的漂移。论文称，蒸馏后每个视频块的推理从约 30 步降到 4 步。3

这条线适合互动视频、游戏世界原型和长时视频研究。项目提供了 演示主页 与 代码仓库，但论文也明确写到：它主要依赖视觉观察、估计几何和视觉记忆，对物体状态、物理因果和长期任务结构的理解仍有限。先把它当研究底座，不要当真实物理模拟器。3

今天的区分很简单：Cosmos 先看模型卡，Mage-Flow 先看论文设置，AlayaWorld 先看演示和数据构成。