NVIDIA, 자율주행용 Alpamayo 2 Edge 가중치 공개

NVIDIA는 2026년 11월 10일 Hugging Face에 Alpamayo 2 Edge 모델 가중치를 공개해, 차량 내 연산 자원과 지연 시간의 제약을 고려해 개발하는 자율주행 개발자들이 20억 개 매개변수 모델을 사용할 수 있게 했다. 이번 공개에는 주행 궤적과 그에 대한 설명을 생성하고 검토하기 위한 배포 레시피와 평가 도구도 포함됐다.

NVIDIA는 앞서 2026년 10월 21일 하이페리온 발표에서 Alpamayo 2 Edge를 처음 공개하며, DRIVE AGX Thor에 최적화되고 차량 내에서 10Hz로 작동하도록 설계된 모델이라고 설명했다. Alpamayo 제품 페이지에는 Edge가 사용 가능한 제품으로 표시돼 있으며, 소형 차량 내 모델과 340억 개 매개변수를 갖춘 Alpamayo 2 Super를 구분해 소개한다. Alpamayo 2 Super는 주행 예측, 장면 이해, 자동 라벨링 및 소형 모델 학습을 위한 모델이다.

적응형 추론을 지원하는 소형 모델

Cosmos 3 Edge는 Nemotron 기반 추론의 핵심 기반을 제공하고, 확산 모델 기반 행동 전문가가 주행 동작을 생성한다. 이 비전·언어·행동 설계에서는 주변 카메라 영상, 시간적 맥락, 자차 움직임 이력, 내비게이션 텍스트를 미래 궤적과 인과 요인을 의사결정에 연결하는 인과관계 사슬 설명으로 변환한다. 또한 이 모델은 주행 장면에 관한 자유 형식 질문에 답할 수 있다.

Edge는 일상적인 주행 상황에서 모든 의사결정마다 추론 과정을 생성하는 대신 이를 생략할 수 있다. 이런 경우 추론 스크립트는 특수 NOMINAL 토큰을 출력해 토큰 생성량과 추론 연산량을 줄이면서도 궤적은 계속 생성한다.

모델 카드에는 전 세계 배포 지역이 기재돼 있으며, 가중치에는 OpenMDW-1.1 라이선스, 소스 코드에는 Apache License 2.0이 적용된다. 학습 데이터셋은 자차 움직임 및 궤적 주석이 포함된 다중 카메라 주행 영상 약 11만 5,000시간 분량과 인과관계 사슬 추론 기록 약 370만 건으로 구성된다. 데이터에는 카메라, 관성 측정 장치, GPS 기록과 합성 추론 기록도 포함된다.

학습 과정에서는 Alpamayo 2 Super가 오프라인 증류에 사용된 추론 자동 라벨을 생성했다. 이후 Edge는 AlpaGym 시뮬레이터에서 폐루프 강화 학습을 수행하며 자신의 행동이 초래한 결과를 학습했다. NVIDIA는 이 단계에서 폐루프 강화 학습을 적용하지 않은 최고 체크포인트와 비교해 폐루프 주행 성능이 48.9% 향상됐다고 밝혔다.

차량 내 지연 시간과 검증 범위의 한계

다운로드한 BF16 가중치는 지원되는 NVIDIA GPU에서 PyTorch 모델로 바로 실행할 수 있지만, DRIVE AGX Thor에서 실시간으로 작동시키려면 추가 최적화가 필요하다. NVIDIA의 레시피는 온라인 추론을 위한 DFlash2 추측 디코딩과 함께 FP8 보정, ONNX 내보내기, TensorRT 및 TensorRT-Edge-LLM을 사용한다. 이 레시피에 따르면 DRIVE OS 7.2.7.0, CUDA 13.4 및 TensorRT 11.3.1.9를 탑재한 DRIVE AGX Thor-X에서 측정한 카메라 입력부터 궤적 출력까지의 시간은 추론량에 따라 160~190밀리초다.

NVIDIA에 따르면 AlpaSim 폐루프 시뮬레이터에서 Edge는 과실 사고 사이를 평균 9.87km 주행한 반면, 40억 개 매개변수의 Qwen-Drive-1.0은 0.25km를 기록했다. 같은 비교에서 최소 평균 변위 오차는 Edge가 0.53m, Qwen-Drive-1.0이 1.68m였으며, 값이 낮을수록 예측 궤적이 실제 궤적에 더 가깝다는 뜻이다.

기준 소프트웨어와의 호환성 측면에서 모델 카드에는 NVIDIA H100 80GB GPU 한 대에서 테스트했다고 기재돼 있으며, 다른 GPU 아키텍처는 아직 검증되지 않았다고 명시돼 있다. 이는 최적화된 Thor-X 레시피와는 별개의 설명이다. 자율주행 시스템에 통합하려면 배포 전에 사용 사례별 데이터를 활용한 추가 테스트와 반복적인 단위 및 시스템 수준 검증이 필요하다.

평가와 학습을 연결하는 AlpaJudge

NVIDIA는 같은 가중치 및 코드 라이선스가 적용되는 사람 평가 기준 보정형 평가·보상 모델 AlpaJudge도 공개했다. AlpaJudge-RB는 참조 자료 기반 모델로, 이미지 없이 질문, 참조 답변, 후보 답변을 입력받아 0에서 1 사이의 정렬 확률 하나를 반환한다. 참조 자료를 사용하지 않는 AlpaJudge-RF는 전방 광각 프레임 3개와 전방 망원 프레임 3개, 자차 메타 행동 이력, 미래 맥락, 후보 추론을 입력받아 평가 기준별 확률 5개와 행동, 구성 요소, 종합 점수를 반환한다.

NVIDIA의 지침에 따르면 높은 추론 점수는 설명의 근거가 평가자의 기준에 부합한다는 증거다. 다만 주행 행동을 설명하려면 충돌, 도로 이탈, 근접 상황 및 궤적 지표도 여전히 필요하다. 점수가 낮은 사례는 드문 실패를 드러낼 수 있으므로 자동으로 제외하기보다는 검토해야 한다. 점수가 매우 높으면 모델이 이미 일관성 있게 설명하는 장면을 가리킬 수 있으며, 중간 점수는 추가 학습에 유용한 기회를 나타내는 경우가 많다.

공개된 강화 학습 레시피에서는 AlpaJudge-RB를 사용해 표본 추출된 추론을 궤적 오차 및 승차감과 함께 평가할 수 있다. NVIDIA는 유창하지만 틀린 설명만으로 총 보상이 높아지지 않도록 궤적 기준을 유지하고 구성 요소별 점수를 기록할 것을 권장한다. 이번 공개의 실질적 의미는 소형 차량 내 추론, 점수화된 설명, 목표를 정한 재학습을 가능하게 하는 개발 순환에 있다. 충돌 및 궤적 관련 근거를 통해 더 나은 설명이 더 나은 주행으로 이어지는지 판단한다.