Robotik und physische KI
NVIDIA’s Alpamayo 2 Super eröffnet die Robotaxi-Entwicklung für den kommerziellen Einsatz
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
NVIDIA (NVDA ) hat Alpamayo 2 Super veröffentlicht, ein 34-Milliarden-Parameter-Modell für autonomes Fahren, für den kommerziellen Einsatz, wie das Unternehmen am 4. August 2026 bekannt gab. Die Gewichte des Modells sind auf Hugging Face unter OpenMDW-1.1, der Lizenz der Linux Foundation für die Verteilung von KI-Modellen, verfügbar, die Fine-Tuning, abgeleitete Modelle und kommerzielle Weiterverteilung abdeckt.
Die Veröffentlichung beseitigt eine Lizenzbarriere, die die Alpamayo-Familie bisher in der Forschung gehalten hatte. Frühere Versionen wurden für die Forschung und Entwicklung eingeführt; NVIDIA sagt, dass die OpenMDW-Lizenz nun für die gesamte Alpamayo-Linie gilt, so dass Entwickler, Automobilhersteller, Lkw-Hersteller und Zulieferer alle Modelle kommerziell einsetzen können, ohne zusätzliche Genehmigung einholen zu müssen. Das Unternehmen beschreibt Alpamayo als die meistgenutzte offene Reasoning-Modell-Familie für autonomes Fahren auf Hugging Face, mit über 500.000 Downloads.
Alpamayo 2 Super basiert auf NVIDIA’s Cosmos 3 Super Reasoner und wurde mit Verstärkungslernen nachtrainiert. Es richtet sich an das, was die Branche als Langschwanz-Ereignisse bezeichnet: die seltenen, multi-agentischen Verkehrssituationen, die schwer vorherzusagen und zu trainieren sind, bei denen herkömmliche Systeme, die auf Objekterkennung und Bewegungsvorhersage basieren, Schwierigkeiten haben.
Ein Lehrmodell, nicht der In-Car-Stack
Die Architektur, die im Modellkarten detailliert ist, kombiniert einen 32-Milliarden-Parameter-Vision-Language-Backbone mit einem 2,3-Milliarden-Parameter-Diffusions-basierten Aktionsdecoder. Das Modell verarbeitet Multikameravideo, Text und die Bewegungsgeschichte des Fahrzeugs und produziert fünf gekoppelte Ausgaben für jede Fahr Situation: eine geplante Traektorie, eine Kausalkette, die die Entscheidung hinter dem Entscheidungsprozess erklärt, eine hochrangige Meta-Aktion wie Vorfahrt oder Spurwechsel, automatisch generierte Reasoning-Labels für Trainingsdaten und visuelle Frage-Antworten, die auf bestimmte Regionen in den Kamerabildern verweisen.
Dies ist ein Entwicklungstool und nicht die Software, die ein Produktions-Robotaxi steuern würde. NVIDIA positioniert Alpamayo 2 Super als Lehrmodell für Cloud-basierte Workflows: es generiert Reasoning-Spuren, synthetische Trainingsdaten und Lehrmodell-Ausgaben, die in kleinere Modelle destilliert werden, die dann für Echtzeit-Schlußfolgerungen in Fahrzeugen optimiert werden. Das Hardware-Profil in der Modellkarte spiegelt diese Aufteilung wider. NVIDIA validierte das Modell auf einem einzelnen H100-Rechenzentrum-GPU mit 80 Gigabyte Speicher, bei dem eine Sieben-Kamera-Konfiguration bei etwa 72 Gigabyte Gerätespeicher Spitzenwerte erreichte, und gibt an, dass andere GPU-Architekturen noch nicht validiert wurden. In der Modellfamilie bleiben die 10-Milliarden-Parameter-Modelle Alpamayo 1,5 und Alpamayo 1 die günstigeren Optionen für Cloud-Entwicklung und Destillation.
Die Erklärbarkeitsausgaben tragen das Gewicht der Sicherheitsingenieurwissenschaft. NVIDIA sagt, dass die Kausalketten mit seinen Halos-Sicherheitsvalidierungs-Workflows integriert sind und die Ausrichtung mit ISO/PAS 8800, dem veröffentlichten Sicherheitsstandard für KI in Straßenfahrzeugen, unterstützen, was Entwicklern eine Aufzeichnung gibt, die zeigt, was das Modell beobachtet hat und welche Aktion es ausgewählt hat. Als Auto-Labeler auf proprietären Flottendaten kann das Modell, so das Unternehmen, die Annotationsschleifen von Monaten auf Tage komprimieren.
Benchmarks und Trainingsdaten
In NVIDIA’s eigenen Tests erreichte Alpamayo 2 Super 79,2 Punkte auf dem Lingo-Judge-Maßstab von LingoQA, einem visuellen Frage-Antwort-Benchmark für autonomes Fahren ursprünglich von Wayve entwickelt. Das Unternehmen sagt, dass dieses Ergebnis an erster Stelle unter fast 40 Modellen rangiert, die es ausgewertet hat, und Qwen2,5-VL 72B um 17,0 Punkte, Gemini 2,5 Pro um 15,1 Punkte und GPT-4o um 23,2 Punkte übertrifft. Diese sind NVIDIA’s eigene Zahlen für sein eigenes Modell, die in seinen Materialien gemeldet werden.
Die Modellkarte berichtet auch über geschlossene Bewertung in NVIDIA’s AlpaSim-Simulator über 910 Szenarien aus seinem PhysicalAI-AV-NuRec-Datensatz und einen offenen Schleifenfehler von 0,911 Metern bei einem 6,4-Sekunden-Horizont auf 937 anspruchsvollen Proben. Die Trainingsdaten hinter dem Modell umfassen etwa 115.000 Stunden Multikameravideo mit Egomotion und Traektorienannotationen, plus etwa 3,7 Millionen Kausalketten-Reasoning-Spuren, die von Kameras, Trägheitsmessern und GPS mit einer Mischung aus automatisierter und manueller Annotation gesammelt wurden.
Von der CES-Premiere zur kommerziellen Lizenzierung
Die Familie hat sich schnell bewegt, indem sie Lizenzstufen durchlaufen hat. NVIDIA stellt Alpamayo 1 auf der CES als das erste Chain-of-Thought-Reasoning-Vision-Language-Action-Modell für AV-Forschung vor, ein 10-Milliarden-Parameter-Release, das auf die Forschungsgemeinschaft abzielt. Das Unternehmen stellte dann Alpamayo 2 Super auf der GTC Taipei am 31. Mai 2026 vor, mit kommerzieller Verfügbarkeit, die für den Sommer versprochen wurde; die Familie war zu diesem Zeitpunkt fast 400.000 Mal heruntergeladen worden, eine Zahl, die seitdem 500.000 überschritten hat. Unite.AI untersuchte den Reasoning-Modell-Ansatz für das Edge-Case-Problem, als die Familie zuerst erschien.
Die Lizenz, die diese Woche die Veröffentlichung ermöglicht, ist selbst Wochen alt. Die Linux Foundation veröffentlichte OpenMDW-1.1 am 28. Mai 2026, mit NVIDIA, das es über seine Cosmos-, Isaac-GR00T-, Ising- und Nemotron-Modellfamilien annahm; Alpamayo schließt sich jetzt dieser Liste an. Um die Modelle herum hat NVIDIA ein offenes Ökosystem für AV-Entwicklung aufgebaut: AlpaSim für geschlossene Schleifen-Simulation, AlpaGym für Verstärkungslernen, Physical AI Open Datasets und eine Open-Source-Auto-Labeling-Pipeline.
Für Robotaxi- und AV-Programme ist die praktische Änderung ein direkter Weg von der Anpassung zur Bereitstellung auf offenen Gewichten: ein Entwicklungsteam kann Alpamayo auf seinen eigenen Flottendaten feinjustieren, diese Daten und die resultierenden Modelle im Haus behalten, das Ergebnis in etwas destillieren, das in das Fahrzeug passt, und es kommerziell ausliefern, all dies unter einer Lizenz, ohne die Grundfunktionen von Grund auf neu aufzubauen.
