NVIDIA’s Alpamayo 2 Super åbner robot-taxi-udvikling til kommerciel brug

NVIDIA (NVDA ) har frigivet Alpamayo 2 Super, en 34-milliard-parameter-model til autonom kørsel, til kommerciel brug, som virksomheden meddelte den 4. august 2026. Modellens vægte er offentliggjort på Hugging Face under OpenMDW-1.1, Linux Foundations permissive licens til AI-modeldistributioner, som dækker finjustering, afledte modeller og kommerciel redistribution.

Udgivelsen fjerner en licensbarriere, der havde holdt Alpamayo-familien i forskning. Tidligere versioner blev introduceret til R&D-brug; NVIDIA siger, at OpenMDW-licensen nu gælder for hele Alpamayo-linien, så udviklere, bilproducenter, lastvognsproducenter og leverandører kan implementere enhver af modellerne kommercielt uden at søge om yderligere tilladelse. Virksomheden beskriver Alpamayo som den mest anvendte åbne resonansmodel-familie til autonom kørsel på Hugging Face, med downloads, der overstiger 500.000.

Alpamayo 2 Super er bygget på NVIDIA’s Cosmos 3 Super Reasoner og eftertrænet med forstærket læring. Det er rettet mod, hvad industrien kalder lang-hale-hændelser: de sjældne, multi-agent-trafiksituationer, der er svære at forudse og træne til, hvor konventionelle systemer bygget på objektdetektion og bevægelsesforudsigelse tenderer til at have svigt.

En lærermodel, ikke en bil-stack

Arkitekturen, der er detaljeret i modelkortet, parrer en 32-milliard-parameter-vision-sprog-ryg med en 2,3-milliard-parameter-diffusionsbaseret handling-dekoder. Modellen indtager multi-kamera-video, tekst og bilens bevægelseshistorik og producerer fem koblet outputs for hver kørsels Situation: en planlagt bane, en kæde-af-årsags-træ, der forklarer årsagen til beslutningen, en højniveau-meta-handling som f.eks. give efter eller skifte lane, selvgenererede resonansmærker til træningsdata, og visuelle spørgsmålssvar, der er grundet i bestemte regioner i kamera-billederne.

Dette er et udviklingsværktøj snarere end softwaren, der ville styre en produktions-robot-taxi. NVIDIA positionerer Alpamayo 2 Super som en lærermodel til cloud-baserede arbejdsgange: den genererer resonans-spore, syntetisk træningsdata og lærer-outputs, der kan destilleres til mindre modeller, som derefter kan optimeres til real-tid-inferens i køretøjer. Hardware-profilen i modelkortet afspejler denne opdeling. NVIDIA har valideret modellen på en enkelt H100-datacenter-GPU med 80 gigabyte hukommelse, hvor en syv-kamera-konfiguration toppede ved cirka 72 gigabyte enhedshukommelse, og angiver, at andre GPU-arkitekturer endnu ikke er valideret. I familien er 10-milliard-parameter-Alpamayo 1.5 og Alpamayo 1 de lavere omkostningsmuligheder for cloud-udvikling og destillation.

The forklarings-outputs bærer sikkerhedsingeniør-vægten. NVIDIA siger, at kæde-af-årsags-spore integrerer med dens Halos-sikkerhedsvaliderings-arbejdsgange og understøtter overensstemmelse med ISO/PAS 8800, den offentliggjorte sikkerhedsstandard for AI i vej-køretøjer, hvilket giver udviklere en optagelse, der forbinder, hvad modellen observerede, til handlingen, den valgte. Som en auto-mærker på proprietær flåde-data, siger virksomheden, at modellen kan komprimere annoterings-cykler fra måneder til dage.

Benchmarks og træningsdata

I NVIDIA’s egen test scorede Alpamayo 2 Super 79,2 på Lingo-Judge-målet af LingoQA, en visuel spørgsmål-svar-benchmark for autonom kørsel oprindeligt udviklet af Wayve. Virksomheden siger, at dette resultat rangerer først blandt næsten 40 modeller, det har evaluaret, og overgår Qwen2.5-VL 72B med 17,0 point, Gemini 2.5 Pro med 15,1 point og GPT-4o med 23,2 point. Disse er NVIDIA’s egne tal for sin egen model, rapporteret i sine materialer.

Modelkortet rapporterer også lukket-løkke-evaluering i NVIDIA’s AlpaSim-simulator på tværs af 910 scenarier fra dets PhysicalAI-AV-NuRec-datasæt, og en åben-løkke-traektor-fejl på 0,911 meter ved en 6,4-sekunders horisont på 937 udfordrende prøver. Træningsdataene bag modellen består af cirka 115.000 timer med multi-kamera-kørselsvideo med egomotion og trajektori-annoteringer, plus cirka 3,7 millioner kæde-af-årsags-resonans-spore, indsamlet fra kamere, inertial-sensorer og GPS med en blanding af automatiseret og manuel mærkning.

Fra CES-debut til kommerciel licens

Familien har bevæget sig hurtigt ved licens-stadier. NVIDIA præsenterede Alpamayo 1 på CES som, hvad det kaldte, industrien første kæde-af-tanke-resonans-model til AV-forskning, en 10-milliard-parameter-udgivelse rettet mod forskningssamfundet. Virksomheden introducerede derefter Alpamayo 2 Super på GTC Taipei den 31. maj 2026, med kommerciel tilgængelighed lovede for sommeren; familien var blevet downloadet næsten 400.000 gange på det tidspunkt, et tal, der siden er overstiget 500.000. Unite.AI undersøgte resonansmodel-tilgangen til kant-fælles-problemet, da familien først dukkede op.

Licensen, der muliggør denne uges udgivelse, er selv uger gammel. Linux Foundation frigav OpenMDW-1.1 den 28. maj 2026, med NVIDIA, der antog det på tværs af sine Cosmos-, Isaac GR00T-, Ising- og Nemotron-model-familier; Alpamayo sluttede sig nu til denne liste. Omkring modellerne har NVIDIA samlet en åben økosystem for AV-udvikling: AlpaSim til lukket-løkke-simulation, AlpaGym til forstærket læring, Physical AI Open Datasets og en åben kilde-auto-mærknings-pipeline.

For robot-taxi- og AV-programmer er den praktiske ændring en direkte vej fra tilpasning til implementering på åbne vægte: et udviklingsteam kan finjustere Alpamayo på sin egen flåde-data, holde denne data og de resulterende modeller internt, destillere resultatet til noget, der passer i køretøj-computere, og sælge det kommercielt, alt under én licens, uden at genopbygge grundlæggende funktioner fra scratch.