NVIDIA julkaisee Alpamayo 2 Edge -mallin painot autonomiseen ajamiseen

NVIDIA julkaisi Alpamayo 2 Edge -mallin painot Hugging Facessa 10. marraskuuta 2026. Näin autonomisen ajamisen kehittäjien käyttöön tuli kahden miljardin parametrin malli, joka on suunniteltu ajoneuvon sisäisen laskentakapasiteetin ja viiveen asettamat rajoitukset huomioiden. Julkaisu sisältää käyttöönotto-ohjeita ja arviointityökaluja ajolinjojen ja niiden perustelujen tuottamiseen ja tarkasteluun.

NVIDIA julkisti Alpamayo 2 Edgen ensimmäisen kerran 21. lokakuuta 2026 julkaistussa Hyperion-ilmoituksessa. Mallia kuvailtiin DRIVE AGX Thorille optimoiduksi ja 10 hertsin taajuudella ajoneuvossa toimivaksi suunnitelluksi malliksi. Alpamayo-tuotesivulla Edge mainitaan saatavilla olevana, ja siinä erotetaan kompakti ajoneuvossa käytettävä malli 34 miljardin parametrin mallista Alpamayo 2 Super, joka on tarkoitettu ajamisen ennustamiseen, tilanteiden ymmärtämiseen, automaattiseen annotointiin ja pienempien mallien kouluttamiseen.

Kompakti malli ja mukautuva päättely

Cosmos 3 Edge tarjoaa Nemotron-pohjaisen päättelyrungon, ja diffuusiopohjainen toimintojen asiantuntijamalli tuottaa ajamiseen liittyviä toimintoja. Tässä näköhavaintoja, kieltä ja toimintoja yhdistävässä mallissa ympäristökameroiden video, ajallinen konteksti, ajoneuvon liikkeen historia ja navigointiteksti muunnetaan tuleviksi ajolinjoiksi ja syy-seurausketjua kuvaaviksi selityksiksi, jotka yhdistävät päätökset niiden syihin. Malli pystyy myös vastaamaan vapaamuotoisiin ajotilannetta koskeviin kysymyksiin.

Edge voi jättää päättelyjäljen tuottamatta tavanomaisessa ajossa sen sijaan, että se tuottaisi sellaisen jokaista päätöstä varten. Tällöin päättelyskripti tuottaa erityisiä NOMINAL-tokeneita, mikä vähentää tokenien tuottamiseen ja päättelyyn tarvittavaa laskentatehoa mallin tuottaessa edelleen ajolinjoja.

Mallikortissa ilmoitetaan, että mallia voidaan ottaa käyttöön maailmanlaajuisesti, painot ovat OpenMDW-1.1-lisenssin alaisia ja lähdekoodi Apache License 2.0 -lisenssin alainen. Koulutusaineisto koostuu noin 115 000 tunnista monikameravideota ajamisesta sekä ajoneuvon liikettä ja ajolinjoja koskevista annotaatioista. Lisäksi mukana on noin 3,7 miljoonaa syy-seurausketjua kuvaavaa päättelyjälkeä. Aineisto sisältää kameratietoja, inertiamittausyksikön tietoja ja GPS-tietoja sekä synteettisiä päättelyjälkiä.

Alpamayo 2 Super tuotti koulutusta varten päättelyyn liittyvät automaattiset annotaatiot, joita käytettiin offline-tislaamiseen. Tämän jälkeen Edge oppi toimiensa seurauksista AlpaGym-simulaattorissa suljetun silmukan vahvistusoppimisen avulla. NVIDIAn mukaan tämä vaihe paransi ajosuoritusta suljetun silmukan simulaatioissa 48,9 prosenttia verrattuna parhaaseen tarkistuspisteeseen, joka oli saavutettu ilman suljetun silmukan vahvistusoppimista.

Ajoneuvon sisäinen viive ja validoinnin rajoitukset

Ladatut BF16-painot toimivat suoraan PyTorch-mallina tuetuilla NVIDIA-grafiikkasuorittimilla, mutta reaaliaikainen käyttö DRIVE AGX Thorissa edellyttää lisäoptimointia. NVIDIAn ohjeessa käytetään FP8-kalibrointia, ONNX-vientiä, TensorRT:tä ja TensorRT-Edge-LLM:ää sekä DFlash2:n spekulatiivista dekoodausta verkkoyhteydessä tapahtuvaan päättelyyn. Ohjeessa ilmoitetaan kamerasyötteen ja ajolinjan tulosteen väliseksi viiveeksi 160–190 millisekuntia päättelyn määrästä riippuen. Mittaus tehtiin DRIVE AGX Thor-X:llä käyttäen DRIVE OS 7.2.7.0:aa, CUDA 13.4:ää ja TensorRT 11.3.1.9:ää.

NVIDIAn mukaan Edge kulki AlpaSim-simulaattorin suljetun silmukan testissä 9,87 kilometriä kuljettajan syyksi luettavien onnettomuuksien välillä, kun taas 4 miljardin parametrin Qwen-Drive-1.0:n vastaava tulos oli 0,25 kilometriä. Samassa vertailussa keskimääräisen siirtymävirheen minimi oli Edgellä 0,53 metriä ja Qwen-Drive-1.0:llä 1,68 metriä. Pienempi arvo tarkoittaa ajolinjan tarkempaa ennustamista.

Mallikortin mukaan perustason ohjelmistoyhteensopivuus testattiin yhdellä 80 gigatavun NVIDIA H100 -grafiikkasuorittimella, eikä muita grafiikkasuoritinarkkitehtuureja ole vielä validoitu. Tämä on eri asia kuin optimoitu Thor-X-ohje. Mallin integrointi autonomisen ajamisen järjestelmään edellyttää käyttötapaukseen sopivalla aineistolla tehtäviä lisätestejä sekä iteratiivista yksikkö- ja järjestelmätason validointia ennen käyttöönottoa.

AlpaJudge yhdistää arvioinnin koulutukseen

NVIDIA julkaisi myös AlpaJudgen, ihmisten arvioiden mukaan kalibroidun arviointi- ja palkkiomallin, jonka painoihin ja lähdekoodiin sovelletaan samoja lisenssejä. AlpaJudge-RB perustuu vertailuaineistoon: se saa syötteeksi kysymyksen, vertailuvastauksen ja ehdokasvastauksen ilman kuvia ja palauttaa yhden vastaavuuden todennäköisyyden välillä 0–1. Vertailuvapaa AlpaJudge-RF käyttää sen sijaan kolmea eteenpäin suuntautuvaa laajakulmakuvaa ja kolmea eteenpäin suuntautuvaa telekuvaa, ajoneuvon meta-toimintojen historiaa ja tulevaa kontekstia sekä ehdokasperustelua. Se palauttaa viisi arviointikriteerien mukaista todennäköisyyttä sekä toiminta-, komponentti- ja kokonaispisteet.

NVIDIAn ohjeistuksessa korkean päättelypistemäärän katsotaan osoittavan, että perustelu vastaa arviointimallin kriteerejä. Ajamisen kuvaamiseen tarvitaan silti myös törmäys-, tieltä suistumis-, läheltä piti -tilanne- ja ajolinjamittareita. Matalat pisteet saaneet esimerkit on syytä tarkistaa sen sijaan, että ne hylättäisiin automaattisesti, sillä ne voivat paljastaa harvinaisia virheitä. Erittäin korkeat pisteet voivat osoittaa tilanteita, jotka malli jo selittää johdonmukaisesti, kun taas keskitasoiset pisteet viittaavat usein hyödyllisiin lisäkoulutusmahdollisuuksiin.

Julkisessa vahvistusoppimisen ohjeessa AlpaJudge-RB:tä voidaan käyttää otannalla valittujen päättelyjen arviointiin yhdessä ajolinjan virheen ja ajomukavuuden kanssa. NVIDIA suosittelee säilyttämään ajolinjan laatua koskevan raja-arvon ja kirjaamaan komponenttipisteet, jotta sujuva mutta virheellinen selitys ei yksinään tuota korkeaa kokonaispalkkiota. Julkaisun käytännön merkitys piilee sen mahdollistamassa kehityssyklissä: ajoneuvossa tapahtuva kompakti päättely, pisteytetyt selitykset ja kohdennettu uudelleenkoulutus. Se, parantavatko paremmat selitykset ajamista, ratkaistaan törmäyksiä ja ajolinjoja koskevan näytön perusteella.