Il modello di insegnamento NVIDIA Alpamayo 2 Super apre lo sviluppo di robotaxi all’uso commerciale

NVIDIA (NVDA ) ha rilasciato Alpamayo 2 Super, un modello di ragionamento da 34 miliardi di parametri per la guida autonoma, per l’uso commerciale, come ha annunciato il 4 agosto 2026. I pesi del modello sono pubblicati su Hugging Face sotto OpenMDW-1.1, la licenza permissiva della Linux Foundation per la distribuzione dei modelli di intelligenza artificiale, che copre il fine-tuning, i modelli derivati e la ridistribuzione commerciale.

Il rilascio elimina una barriera di licenza che aveva limitato la famiglia Alpamayo alla ricerca. Le versioni precedenti erano state introdotte per l’uso di ricerca e sviluppo; NVIDIA afferma che la licenza OpenMDW si applica ora a tutta la gamma Alpamayo, in modo che gli sviluppatori, i costruttori di veicoli, i produttori di camion e i fornitori possano distribuire commercialmente qualsiasi modello senza richiedere ulteriori autorizzazioni. La società descrive Alpamayo come la famiglia di modelli di ragionamento aperti più adottata per la guida autonoma su Hugging Face, con download superati i 500.000.

Alpamayo 2 Super è costruito sul Cosmos 3 Super Reasoner di NVIDIA e post-addestrato con apprendimento per rinforzo. È rivolto a ciò che l’industria chiama eventi a lunga coda: le rare situazioni di traffico multi-agente difficili da anticipare e addestrare, in cui i sistemi convenzionali basati sulla rilevazione degli oggetti e sulla previsione del movimento tendono a faticare.

Un modello di insegnamento, non lo stack in-car

L’architettura, dettagliata nella scheda del modello, abbina un backbone di visione-linguaggio da 32 miliardi di parametri con un decodificatore di azione basato sulla diffusione da 2,3 miliardi di parametri. Il modello ingerisce video multi-camera, testo e la storia del movimento del veicolo, e produce cinque output accoppiati per ogni situazione di guida: una traiettoria pianificata, una traccia di catena di causalità che spiega il ragionamento dietro la decisione, un’azione meta-alta come cedere o cambiare corsia, etichette di ragionamento auto-generate per i dati di addestramento e risposte a domande visive radicate a regioni specifiche nelle immagini della camera.

Questo è uno strumento di sviluppo piuttosto che il software che guiderà un robotaxi di produzione. NVIDIA posiziona Alpamayo 2 Super come un modello di insegnamento per flussi di lavoro basati su cloud: genera tracce di ragionamento, dati di addestramento sintetici e output di insegnamento che vengono distillati in modelli più piccoli, che vengono quindi ottimizzati per l’inferenza in tempo reale nei veicoli. Il profilo hardware nella scheda del modello riflette quella divisione. NVIDIA ha validato il modello su un’unica GPU H100 di data center con 80 gigabyte di memoria, dove una configurazione a sette telecamere ha raggiunto un picco di circa 72 gigabyte di memoria del dispositivo, e afferma che altre architetture di GPU non sono state ancora validate. Nella gamma della famiglia, il modello Alpamayo 1.5 da 10 miliardi di parametri e Alpamayo 1 rimangono le opzioni a basso costo per lo sviluppo e la distillazione su cloud.

Le uscite di spiegabilità portano il peso dell’ingegneria della sicurezza. NVIDIA afferma che le tracce di catena di causalità si integrano con i flussi di lavoro di convalida della sicurezza Halos e supportano l’allineamento con ISO/PAS 8800, lo standard di sicurezza pubblicato per l’intelligenza artificiale nei veicoli stradali, dando agli sviluppatori un record che collega ciò che il modello ha osservato all’azione che ha selezionato. Come auto-etichettatore su dati di flotta proprietari, la società afferma che il modello può comprimere i cicli di annotazione da mesi a giorni.

Benchmark e dati di addestramento

Nei test di NVIDIA, Alpamayo 2 Super ha ottenuto un punteggio di 79,2 sulla metrica Lingo-Judge di LingoQA, un benchmark di risposta a domande visive per la guida autonoma originariamente sviluppato da Wayve. La società afferma che questo risultato si classifica al primo posto tra quasi 40 modelli che ha valutato, e ha superato Qwen2.5-VL 72B di 17,0 punti, Gemini 2.5 Pro di 15,1 punti e GPT-4o di 23,2 punti. Questi sono i numeri di NVIDIA per il proprio modello, riportati nei propri materiali.

La scheda del modello riporta anche la valutazione a ciclo chiuso nel simulatore AlpaSim di NVIDIA attraverso 910 scenari del set di dati PhysicalAI-AV-NuRec, e un errore di traiettoria aperto di 0,911 metri a un orizzonte di 6,4 secondi su 937 campioni impegnativi. I dati di addestramento dietro il modello comprendono circa 115.000 ore di video di guida multi-camera con annotazioni di egomotion e traiettoria, più circa 3,7 milioni di tracce di ragionamento di catena di causalità, raccolti da telecamere, sensori inerziali e GPS con un mix di etichettatura automatizzata e manuale.

Dal debutto al CES alla licenza commerciale

La famiglia si è mossa velocemente per le fasi di licenza. NVIDIA ha presentato Alpamayo 1 al CES come il primo modello di ragionamento a catena di pensiero visione-linguaggio-azione per la ricerca di veicoli autonomi, un rilascio da 10 miliardi di parametri rivolto alla comunità di ricerca. La società ha poi presentato Alpamayo 2 Super al GTC Taipei il 31 maggio 2026, con la disponibilità commerciale promessa per l’estate; la famiglia era stata scaricata quasi 400.000 volte a quel punto, un numero che da allora ha superato i 500.000. Unite.AI ha esaminato l’approccio del modello di ragionamento al problema dei casi limite quando la famiglia è apparsa per la prima volta.

La licenza che consente questo rilascio è di per sé vecchia di settimane. La Linux Foundation ha rilasciato OpenMDW-1.1 il 28 maggio 2026, con NVIDIA che l’ha adottata in tutta la sua famiglia di modelli Cosmos, Isaac GR00T, Ising e Nemotron; Alpamayo si unisce ora a questa lista. Intorno ai modelli, NVIDIA ha assemblato un ecosistema aperto per lo sviluppo di veicoli autonomi: AlpaSim per la simulazione a ciclo chiuso, AlpaGym per l’apprendimento per rinforzo, Physical AI Open Datasets e una pipeline di etichettatura automatica open-source.

Per i programmi di robotaxi e veicoli autonomi, il cambiamento pratico è un percorso diretto dall’adattamento alla distribuzione su pesi aperti: un team di sviluppo può adattare Alpamayo ai propri dati di flotta, conservare quei dati e i modelli risultanti in casa, distillare il risultato in qualcosa che si adatti al calcolo in veicolo, e distribuirlo commercialmente, tutto sotto una sola licenza, senza ricostruire le capacità di base da zero.