KI-Modelle und Plattformen
NVIDIA veröffentlicht die Modellgewichte von Alpamayo 2 Edge für autonomes Fahren
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
NVIDIA veröffentlichte die Modellgewichte von Alpamayo 2 Edge am 10. November 2026 auf Hugging Face. Damit steht Entwicklerinnen und Entwicklern autonomer Fahrsysteme, die mit den Grenzen der bordeigenen Rechenleistung und Latenz arbeiten müssen, ein Modell mit 2 Milliarden Parametern zur Verfügung. Die Veröffentlichung umfasst Bereitstellungsrezepte und Evaluierungswerkzeuge, mit denen sich Fahrtrajektorien und ihre Erklärungen erstellen und überprüfen lassen.
NVIDIA kündigte Alpamayo 2 Edge erstmals in seiner Hyperion-Ankündigung vom 21. Oktober 2026 an und beschrieb das Modell als für DRIVE AGX Thor optimiert sowie für den Betrieb im Fahrzeug mit 10 Hz ausgelegt. Auf der Alpamayo-Produktseite wird Edge als verfügbar aufgeführt und vom kompakten Modell für den Einsatz im Fahrzeug sowie dem Alpamayo 2 Super mit 34 Milliarden Parametern abgegrenzt, das für Fahrvorhersagen, Szenenverständnis, automatische Datenbeschriftung und das Training kleinerer Modelle vorgesehen ist.
Kompaktes Modell mit adaptivem Schlussfolgern
Cosmos 3 Edge stellt die auf Nemotron basierende Grundlage für das Schlussfolgern bereit, während ein Diffusionsmodell für die Aktionsgenerierung Fahraktionen erzeugt. In diesem Vision-Language-Action-Design werden Videos von Rundumkameras, zeitlicher Kontext, der Verlauf der Eigenbewegung und Navigationstext in zukünftige Trajektorien sowie Erklärungen zu Ursache-Wirkungs-Ketten umgewandelt, die Entscheidungen mit ihren ursächlichen Faktoren verknüpfen. Das Modell kann außerdem offene Fragen zu einer Fahrszene beantworten.
Bei routinemäßigen Fahrsituationen kann Edge auf eine Schlussfolgerungsspur verzichten, statt für jede Entscheidung eine zu erzeugen. In solchen Fällen gibt das Inferenzskript spezielle NOMINAL-Tokens aus. Dadurch verringern sich die Token-Erzeugung und der Rechenaufwand für die Inferenz, während das Modell weiterhin Trajektorien erstellt.
Die Modellkarte nennt ein weltweites Einsatzgebiet, die Lizenz OpenMDW-1.1 für die Gewichte und die Apache License 2.0 für den Quellcode. Der Trainingsdatensatz umfasst rund 115.000 Stunden Mehrkamera-Fahrvideos mit Annotationen zu Eigenbewegung und Trajektorien sowie etwa 3,7 Millionen Schlussfolgerungsspuren zu Ursache-Wirkungs-Ketten. Die Daten enthalten Aufzeichnungen von Kameras, einer Inertialmesseinheit und GPS sowie synthetische Schlussfolgerungsspuren.
Für das Training erzeugte Alpamayo 2 Super die automatisch erstellten Schlussfolgerungsannotationen, die für die Offline-Destillation verwendet wurden. Anschließend lernte Edge durch bestärkendes Lernen mit geschlossenem Regelkreis im AlpaGym-Simulator aus den Folgen seiner Aktionen. NVIDIA zufolge verbesserte diese Phase die Fahrleistung im geschlossenen Regelkreis um 48,9 % gegenüber dem besten Checkpoint ohne bestärkendes Lernen mit geschlossenem Regelkreis.
Latenz im Fahrzeug und Grenzen der Validierung
Die heruntergeladenen BF16-Gewichte lassen sich auf unterstützten NVIDIA-GPUs direkt als PyTorch-Modell ausführen. Für den Echtzeitbetrieb auf DRIVE AGX Thor sind jedoch weitere Optimierungen erforderlich. NVIDIAs Rezept umfasst eine FP8-Kalibrierung, den ONNX-Export, TensorRT und TensorRT-Edge-LLM sowie spekulatives Decoding mit DFlash2 für das Online-Schlussfolgern. Dem Rezept zufolge liegen zwischen Kameraeingabe und Trajektorienausgabe 160–190 Millisekunden, abhängig vom Umfang des Schlussfolgerns. Gemessen wurde dies auf DRIVE AGX Thor-X mit DRIVE OS 7.2.7.0, CUDA 13.4 und TensorRT 11.3.1.9.
NVIDIA berichtet, dass Edge im AlpaSim-Simulator mit geschlossenem Regelkreis 9,87 Kilometer zwischen Vorfällen zurücklegte, für die es verantwortlich war. Beim Modell Qwen-Drive-1.0 mit 4 Milliarden Parametern waren es 0,25 Kilometer. Im selben Vergleich lag der minimale durchschnittliche Verschiebungsfehler bei Edge bei 0,53 Metern und bei Qwen-Drive-1.0 bei 1,68 Metern. Niedrigere Werte bedeuten dabei präzisere Trajektorienvorhersagen.
Als Grundlage für die Softwarekompatibilität nennt die Modellkarte Tests auf einer NVIDIA H100-GPU mit 80 GB und weist darauf hin, dass andere GPU-Architekturen bislang nicht validiert wurden. Diese Angabe bezieht sich nicht auf das separate, optimierte Rezept für Thor-X. Vor der Bereitstellung muss die Integration in ein autonomes Fahrsystem zusätzlich mit anwendungsfallspezifischen Daten getestet und iterativ auf Unit- und Systemebene validiert werden.
AlpaJudge verknüpft Evaluierung und Training
NVIDIA veröffentlichte außerdem AlpaJudge, ein an menschlichen Bewertungen kalibriertes Evaluierungs- und Belohnungsmodell, für das dieselben Lizenzen für Gewichte und Code gelten. AlpaJudge-RB arbeitet referenzbasiert: Es erhält eine Frage, eine Referenzantwort und eine mögliche Antwort, jeweils ohne Bilder, und gibt eine einzelne Übereinstimmungswahrscheinlichkeit zwischen 0 und 1 zurück. Das referenzfreie AlpaJudge-RF verarbeitet stattdessen drei Front-Weitwinkelbilder und drei Front-Telebilder, den Verlauf der Meta-Aktionen des eigenen Fahrzeugs und den zukünftigen Kontext sowie eine mögliche Begründung. Als Ergebnis liefert es fünf Wahrscheinlichkeiten für Bewertungskriterien sowie Bewertungen für die Aktion, einzelne Komponenten und das Gesamtergebnis.
NVIDIA zufolge ist ein hoher Schlussfolgerungswert ein Hinweis darauf, dass eine Begründung den Bewertungskriterien des Bewertungsmodells entspricht. Um das Fahrverhalten zu beschreiben, sind jedoch weiterhin Kennzahlen zu Kollisionen, Abkommen von der Fahrbahn, knappen Begegnungen und Trajektorien erforderlich. Beispiele mit niedrigen Werten sollten überprüft und nicht automatisch verworfen werden, da sie seltene Fehler aufdecken können. Sehr hohe Werte können auf Szenen hinweisen, die das Modell bereits zuverlässig erklärt, während mittlere Werte häufig auf lohnende Möglichkeiten für weiteres Training hindeuten.
Das öffentlich verfügbare Rezept für bestärkendes Lernen kann AlpaJudge-RB verwenden, um Stichproben von Schlussfolgerungen zusammen mit Trajektorienfehler und Fahrkomfort zu bewerten. NVIDIA empfiehlt, die Trajektorienschwelle beizubehalten und die Komponentenwerte zu protokollieren, damit eine flüssig formulierte, aber falsche Erklärung nicht allein eine hohe Gesamtbelohnung bewirkt. Die praktische Bedeutung der Veröffentlichung liegt in der dadurch ermöglichten Entwicklungsschleife: kompakte Inferenz direkt im Fahrzeug, bewertete Erklärungen und gezieltes Nachtraining. Dabei zeigen Nachweise zu Kollisionen und Trajektorien, ob bessere Erklärungen tatsächlich zu besserem Fahrverhalten führen.
