تُصدر NVIDIA أوزان Alpamayo 2 Edge للقيادة الذاتية

أصدرت NVIDIA أوزان نموذج Alpamayo 2 Edge على Hugging Face في 10 نوفمبر 2026، لتتيح للمطورين العاملين في مجال القيادة الذاتية، ضمن حدود القدرة الحاسوبية على متن المركبة وزمن الاستجابة، استخدام نموذج يضم ملياري مُعامِل. ويشمل الإصدار وصفات للنشر وأدوات للتقييم، بهدف إنتاج مسارات القيادة وتفسيراتها وتمحيصها.

أعلنت NVIDIA لأول مرة عن Alpamayo 2 Edge في إعلان Hyperion بتاريخ 21 أكتوبر 2026، ووصفت نموذجًا محسّنًا لمنصة DRIVE AGX Thor ومصممًا للتشغيل داخل المركبة بمعدل 10 هرتز. وتدرج صفحة منتج Alpamayo إصدار Edge على أنه متاح، وتفصل النموذج المدمج المخصص للاستخدام داخل المركبة عن Alpamayo 2 Super ذي المعلمات البالغ عددها 34 مليارًا، والمخصص للتنبؤ بالقيادة وفهم المشهد والوسم التلقائي وتدريب نماذج أصغر.

نموذج مدمج باستدلال تكيفي

يوفر Cosmos 3 Edge البنية الأساسية للاستدلال القائمة على Nemotron، فيما يتولى خبير إجراءات قائم على الانتشار إنتاج إجراءات القيادة. وفي هذا التصميم الذي يجمع بين الرؤية واللغة والإجراءات، تُحوَّل مقاطع الفيديو الملتقطة بالكاميرات المحيطية والسياق الزمني وسجل حركة المركبة الذاتية ونصوص الملاحة إلى مسارات مستقبلية وتفسيرات لسلسلة الأسباب تربط القرارات بالعوامل المسببة لها. ويمكن للنموذج أيضًا الإجابة عن أسئلة مفتوحة حول مشهد القيادة.

يمكن لـEdge الاستغناء عن أثر الاستدلال في مواقف القيادة الروتينية بدلًا من إنتاجه لكل قرار. وفي هذه الحالات، يصدر برنامج الاستدلال رموز NOMINAL خاصة، ما يقلل توليد الرموز والقدرة الحاسوبية اللازمة للاستدلال، مع استمرار النموذج في إنتاج المسارات.

تحدد بطاقة النموذج نطاقًا جغرافيًا عالميًا للنشر، وترخيص OpenMDW-1.1 للأوزان، وترخيص Apache License 2.0 للشفرة المصدرية. وتتألف مجموعة بيانات التدريب من نحو 115,000 ساعة من مقاطع فيديو للقيادة متعددة الكاميرات، مرفقة ببيانات توضيحية عن حركة المركبة الذاتية ومساراتها، إضافة إلى نحو 3.7 مليون أثر استدلال لسلسلة الأسباب. وتشمل البيانات سجلات الكاميرات ووحدة قياس القصور الذاتي ونظام تحديد المواقع العالمي GPS، إلى جانب آثار استدلال اصطناعية.

أنتج Alpamayo 2 Super، لأغراض التدريب، التسميات التلقائية للاستدلال المستخدمة في التقطير غير المتصل. وبعد ذلك، تعلّم Edge من عواقب إجراءاته عبر التعلم المعزز ذي الحلقة المغلقة في محاكي AlpaGym. وتفيد NVIDIA بأن هذه المرحلة حسّنت أداء القيادة ذي الحلقة المغلقة بنسبة 48.9% مقارنةً بأفضل نقطة تحقق لم تستخدم التعلم المعزز ذي الحلقة المغلقة.

زمن الاستجابة على متن المركبة وحدود التحقق

تعمل أوزان BF16 المُنزّلة مباشرةً كنموذج PyTorch على وحدات معالجة الرسوميات NVIDIA المدعومة، لكن تشغيلها في الزمن الحقيقي على DRIVE AGX Thor يتطلب مزيدًا من التحسين. وتستخدم وصفة NVIDIA معايرة FP8 والتصدير إلى ONNX وTensorRT وTensorRT-Edge-LLM، مع فك ترميز تخميني عبر DFlash2 للاستدلال عبر الإنترنت. وتفيد الوصفة بأن الزمن بين إدخال الكاميرا وإخراج المسار يتراوح بين 160 و190 مللي ثانية، بحسب مقدار الاستدلال، وذلك وفق القياسات على DRIVE AGX Thor-X باستخدام DRIVE OS 7.2.7.0 وCUDA 13.4 وTensorRT 11.3.1.9.

تفيد NVIDIA بأن Edge قطع 9.87 كيلومترًا بين الحوادث التي كان مسؤولًا عنها في محاكي AlpaSim ذي الحلقة المغلقة، مقابل 0.25 كيلومتر لـQwen-Drive-1.0 ذي المُعامِلات الأربعة مليارات. وأظهرت المقارنة نفسها أن الحد الأدنى لمتوسط خطأ الإزاحة بلغ 0.53 مترًا لدى Edge و1.68 مترًا لدى Qwen-Drive-1.0، علمًا بأن القيم الأقل تعني تنبؤات أقرب إلى المسارات الفعلية.

لضمان التوافق مع البرمجيات الأساسية، تشير بطاقة النموذج إلى اختباره على وحدة معالجة رسومات NVIDIA H100 واحدة بسعة 80GB، وتذكر أن البنى الأخرى لوحدات معالجة الرسومات لم تخضع للتحقق بعد؛ وهذا بيان منفصل عن وصفة Thor-X المحسّنة. ويتطلب دمج النموذج في نظام للقيادة الذاتية اختبارات إضافية باستخدام بيانات خاصة بحالة الاستخدام، فضلًا عن التحقق التكراري على مستوى الوحدات والنظام قبل النشر.

يربط AlpaJudge التقييم بالتدريب

أصدرت NVIDIA أيضًا AlpaJudge، وهو نموذج للتقييم والمكافأة مُعايَر بمشاركة البشر، ويخضع لترخيصَي الأوزان والشفرة نفسيهما. ويستند AlpaJudge-RB إلى مرجع؛ إذ يتلقى سؤالًا وإجابة مرجعية وإجابة مرشحة من دون صور، ثم يُخرج احتمالًا واحدًا للتوافق يتراوح بين 0 و1. أما AlpaJudge-RF، الذي لا يعتمد على مرجع، فيستخدم ثلاثة إطارات أمامية واسعة وثلاثة إطارات أمامية جانبية، وسجل الإجراءات الوصفية للمركبة الذاتية والسياق المستقبلي، إضافة إلى تعليل مرشح، ليُخرج خمسة احتمالات وفق معايير التقييم، إلى جانب درجات للإجراء والمكوّن والنتيجة الإجمالية.

تتعامل إرشادات NVIDIA مع ارتفاع درجة الاستدلال بوصفه دليلًا على توافق التعليل مع معايير التقييم التي يعتمدها النموذج الحَكَم، مع ضرورة الاستمرار في استخدام مقاييس الاصطدام ومغادرة الطريق والاقتراب الخطر والمسار لوصف سلوك القيادة. وينبغي مراجعة الأمثلة ذات الدرجات المنخفضة بدلًا من استبعادها تلقائيًا، إذ قد تكشف عن إخفاقات نادرة. وقد تشير الدرجات المرتفعة جدًا إلى مشاهد يفسرها النموذج باستمرار، في حين تمثل الدرجات المتوسطة غالبًا فرصًا مفيدة لمزيد من التدريب.

يمكن لوصفة التعلم المعزز المتاحة للعامة استخدام AlpaJudge-RB لتقييم الاستدلالات المأخوذة بالعينات، إلى جانب خطأ المسار والراحة. وتوصي NVIDIA بالإبقاء على شرط اجتياز عتبة المسار وتسجيل درجات المكونات، حتى لا يؤدي تفسير سلس لكنه خاطئ وحده إلى مكافأة إجمالية مرتفعة. وتكمن الأهمية العملية للإصدار في حلقة التطوير التي يتيحها: استدلال مدمج على متن المركبة، وتفسيرات حاصلة على درجات، وإعادة تدريب موجّهة، مع الاستناد إلى أدلة الاصطدام والمسار لتحديد ما إذا كانت التفسيرات الأفضل تفضي إلى قيادة أفضل.