NVIDIA rilascia i pesi di Alpamayo 2 Edge per la guida autonoma

NVIDIA ha rilasciato su Hugging Face i pesi del modello Alpamayo 2 Edge il 10 novembre 2026, rendendo disponibile agli sviluppatori di sistemi di guida autonoma un modello da 2 miliardi di parametri, pensato per operare entro i limiti di capacità di calcolo e latenza dei sistemi di bordo. Il rilascio include procedure di distribuzione e strumenti di valutazione per generare ed esaminare le traiettorie di guida e le relative spiegazioni.

NVIDIA aveva annunciato Alpamayo 2 Edge nel suo annuncio Hyperion del 21 ottobre 2026, descrivendolo come un modello ottimizzato per DRIVE AGX Thor e progettato per funzionare a 10 Hz a bordo del veicolo. La pagina del prodotto Alpamayo indica Edge come disponibile e distingue il modello compatto per l’uso a bordo dal modello da 34 miliardi di parametri Alpamayo 2 Super, destinato alla previsione della guida, alla comprensione delle scene, all’etichettatura automatica e all’addestramento di modelli più piccoli.

Modello compatto con ragionamento adattivo

Cosmos 3 Edge fornisce la struttura portante del ragionamento basata su Nemotron, mentre un esperto di azioni basato sulla diffusione genera le azioni di guida. In questa architettura visione-linguaggio-azione, i video delle telecamere perimetrali, il contesto temporale, la cronologia dei movimenti del veicolo e le istruzioni di navigazione vengono convertiti in traiettorie future e spiegazioni della catena causale che collegano le decisioni ai fattori che le determinano. Il modello può anche rispondere a domande aperte su una scena di guida.

Per la guida ordinaria, Edge può omettere una traccia di ragionamento invece di generarne una per ogni decisione. In questi casi, lo script di inferenza emette token NOMINAL speciali, riducendo la generazione di token e il calcolo necessario per l’inferenza, mentre il modello continua a produrre traiettorie.

La scheda del modello indica una copertura geografica globale per la distribuzione, la licenza OpenMDW-1.1 per i pesi e la Apache License 2.0 per il codice sorgente. Il set di dati di addestramento comprende circa 115.000 ore di video di guida ripresi da più telecamere, con annotazioni sui movimenti del veicolo e sulle traiettorie, oltre a circa 3,7 milioni di tracce di ragionamento basate sulla catena causale. I dati includono registrazioni delle telecamere, dell’unità di misura inerziale e del GPS, oltre a tracce di ragionamento sintetiche.

Durante l’addestramento, Alpamayo 2 Super ha generato le etichette automatiche di ragionamento usate per la distillazione offline. In seguito, Edge ha imparato dalle conseguenze delle proprie azioni tramite l’apprendimento per rinforzo a ciclo chiuso nel simulatore AlpaGym. NVIDIA riferisce che questa fase ha migliorato del 48,9% le prestazioni di guida a ciclo chiuso rispetto al checkpoint migliore ottenuto senza apprendimento per rinforzo a ciclo chiuso.

Latenza a bordo e limiti della convalida

I pesi BF16 scaricati possono essere eseguiti direttamente come modello PyTorch sulle GPU NVIDIA supportate, ma per il funzionamento in tempo reale su DRIVE AGX Thor è necessaria un’ulteriore ottimizzazione. La procedura di NVIDIA prevede la calibrazione FP8, l’esportazione in ONNX, TensorRT e TensorRT-Edge-LLM, con decodifica speculativa DFlash2 per il ragionamento online. La procedura indica una latenza compresa tra 160 e 190 millisecondi dall’acquisizione dell’immagine della telecamera alla produzione della traiettoria, a seconda della quantità di ragionamento, misurata su DRIVE AGX Thor-X con DRIVE OS 7.2.7.0, CUDA 13.4 e TensorRT 11.3.1.9.

NVIDIA riferisce che nel simulatore a ciclo chiuso AlpaSim Edge ha registrato 9,87 chilometri tra gli incidenti imputabili al veicolo, contro 0,25 chilometri per Qwen-Drive-1.0, che ha 4 miliardi di parametri. Nello stesso confronto, l’errore minimo medio di spostamento è risultato pari a 0,53 metri per Edge e a 1,68 metri per Qwen-Drive-1.0; valori più bassi indicano previsioni delle traiettorie più accurate.

Per la compatibilità con il software di base, la scheda del modello indica che i test sono stati eseguiti su una GPU NVIDIA H100 da 80 GB e precisa che le altre architetture GPU non sono ancora state convalidate; si tratta di un’indicazione distinta dalla procedura ottimizzata per Thor-X. Prima della distribuzione, l’integrazione in un sistema di guida autonoma richiede ulteriori test con dati specifici per il caso d’uso e una convalida iterativa a livello di unità e di sistema.

AlpaJudge collega la valutazione all’addestramento

NVIDIA ha rilasciato anche AlpaJudge, un modello di valutazione e ricompensa calibrato da esseri umani, con le stesse licenze per i pesi e il codice. AlpaJudge-RB si basa su un riferimento: riceve una domanda, una risposta di riferimento e una risposta candidata, senza immagini, e restituisce una probabilità di allineamento compresa tra 0 e 1. AlpaJudge-RF, che non si basa su un riferimento, usa invece tre fotogrammi della telecamera anteriore grandangolare e tre di quella anteriore con teleobiettivo, la cronologia delle meta-azioni del veicolo e il contesto futuro, oltre a una motivazione candidata, per restituire cinque probabilità basate su criteri di valutazione, insieme ai punteggi relativi all’azione, ai componenti e al risultato complessivo.

Secondo le indicazioni di NVIDIA, un punteggio elevato di ragionamento dimostra che una motivazione corrisponde ai criteri di valutazione del giudice; per descrivere il comportamento di guida servono comunque metriche relative a collisioni, uscite di strada, incontri ravvicinati e traiettorie. Gli esempi con punteggi bassi dovrebbero essere esaminati, anziché scartati automaticamente, perché possono rivelare errori rari. I punteggi molto elevati possono individuare scene che il modello sa già spiegare in modo coerente, mentre quelli intermedi spesso segnalano opportunità utili per un ulteriore addestramento.

La procedura pubblica di apprendimento per rinforzo può usare AlpaJudge-RB per valutare il ragionamento campionato insieme all’errore di traiettoria e al comfort. NVIDIA raccomanda di mantenere la soglia di controllo delle traiettorie e di registrare i punteggi dei singoli componenti, così da impedire che una spiegazione scorrevole ma errata possa, da sola, produrre un punteggio di ricompensa totale elevato. L’importanza pratica del rilascio risiede nel ciclo di sviluppo che rende possibile: inferenza compatta a bordo, spiegazioni valutate e riaddestramento mirato, con le evidenze relative a collisioni e traiettorie che determinano se spiegazioni migliori si traducono in una guida migliore.