NVIDIA brengt Alpamayo 2 Edge-gewichten uit voor autonoom rijden

NVIDIA heeft de modelgewichten van Alpamayo 2 Edge op 10 november 2026 uitgebracht op Hugging Face. Daarmee is een model met 2 miljard parameters beschikbaar voor ontwikkelaars van autonoom rijdende voertuigen die binnen de grenzen van boordcomputers en latentie moeten werken. De release bevat implementatierecepten en evaluatietools voor het genereren en kritisch beoordelen van rijtrajecten en de bijbehorende verklaringen.

NVIDIA kondigde Alpamayo 2 Edge voor het eerst aan in de Hyperion-aankondiging van 21 oktober 2026 en beschreef het als een model dat is geoptimaliseerd voor DRIVE AGX Thor en is ontworpen voor gebruik in voertuigen bij 10 Hz. Op de productpagina van Alpamayo staat Edge vermeld als beschikbaar. De pagina maakt onderscheid tussen het compacte model voor gebruik in voertuigen en Alpamayo 2 Super, dat 34 miljard parameters heeft en bedoeld is voor rijvoorspelling, scènebegrip, automatische labeling en het trainen van kleinere modellen.

Compact model met adaptief redeneervermogen

Cosmos 3 Edge levert de op Nemotron gebaseerde redeneerbasis, terwijl een expertmodel voor diffusieacties rijacties genereert. In dit ontwerp voor visie, taal en acties worden video van camera’s rondom het voertuig, temporele context, de geschiedenis van de bewegingen van het eigen voertuig en navigatietekst omgezet in toekomstige trajecten en verklaringen van oorzaak-gevolgketens die beslissingen koppelen aan causale factoren. Het model kan ook open vragen over een verkeerssituatie beantwoorden.

Edge kan bij routinematig rijden een redeneerspoor achterwege laten, in plaats van er voor elke beslissing een te genereren. In zulke gevallen produceert het inferentiescript speciale NOMINAL-tokens, waardoor minder tokens worden gegenereerd en minder rekenkracht nodig is voor inferentie, terwijl het model trajecten blijft genereren.

De modelkaart vermeldt dat het model wereldwijd kan worden ingezet, dat de gewichten onder de OpenMDW-1.1-licentie vallen en dat de broncode is uitgebracht onder Apache License 2.0. De trainingsdataset bestaat uit ongeveer 115.000 uur rijvideo van meerdere camera’s, voorzien van annotaties over de bewegingen van het eigen voertuig en trajecten, plus ongeveer 3,7 miljoen redeneertracés over oorzaak-gevolgketens. De gegevens bevatten opnamen van camera’s, een traagheidsmeeteenheid en GPS, evenals synthetische redeneertracés.

Voor de training genereerde Alpamayo 2 Super de automatische redeneerlabels die werden gebruikt voor offline distillatie. Vervolgens leerde Edge van de gevolgen van zijn acties via reinforcement learning met een gesloten regelkring in de AlpaGym-simulator. NVIDIA meldt dat deze fase de rijprestaties met een gesloten regelkring met 48,9% verbeterde ten opzichte van het beste checkpoint zonder reinforcement learning met een gesloten regelkring.

Latentie aan boord en beperkingen van de validatie

De gedownloade BF16-gewichten draaien rechtstreeks als PyTorch-model op ondersteunde NVIDIA-GPU’s, maar voor realtimegebruik op DRIVE AGX Thor is verdere optimalisatie nodig. NVIDIA’s recept maakt gebruik van FP8-kalibratie, ONNX-export, TensorRT en TensorRT-Edge-LLM, met speculatieve decodering via DFlash2 voor redeneren tijdens gebruik. Volgens het recept duurt het 160–190 milliseconden vanaf de camera-invoer tot de uitvoer van een traject, afhankelijk van de hoeveelheid redenering. Dit is gemeten op DRIVE AGX Thor-X met DRIVE OS 7.2.7.0, CUDA 13.4 en TensorRT 11.3.1.9.

NVIDIA meldt dat Edge in de AlpaSim-simulator met een gesloten regelkring 9,87 kilometer aflegde tussen incidenten waarvoor het voertuig verantwoordelijk was, tegenover 0,25 kilometer voor Qwen-Drive-1.0 met 4 miljard parameters. Uit dezelfde vergelijking bleek dat de minimale gemiddelde verplaatsingsfout voor Edge 0,53 meter bedroeg en voor Qwen-Drive-1.0 1,68 meter; lagere waarden duiden op nauwkeurigere trajectvoorspellingen.

Voor compatibiliteit met standaardsoftware vermeldt de modelkaart dat het model is getest op één NVIDIA H100-GPU van 80 GB. Ook staat erin dat andere GPU-architecturen nog niet zijn gevalideerd. Dit is een afzonderlijke vermelding, los van het geoptimaliseerde recept voor Thor-X. Voordat het model wordt ingezet, moet het verder worden getest met gegevens die specifiek zijn voor de beoogde toepassing en moeten herhaaldelijk validaties op unit- en systeemniveau worden uitgevoerd.

AlpaJudge verbindt evaluatie met training

NVIDIA heeft ook AlpaJudge uitgebracht, een op menselijke beoordelingen afgestemd evaluatie- en beloningsmodel met dezelfde licenties voor de gewichten en de code. AlpaJudge-RB werkt op basis van referenties: het neemt een vraag, een referentieantwoord en een kandidaatantwoord als invoer, zonder afbeeldingen, en geeft één waarschijnlijkheidsscore voor overeenstemming tussen 0 en 1. De referentievrije AlpaJudge-RF gebruikt daarentegen drie beelden van de groothoekcamera vooraan en drie van de telecamera vooraan, de geschiedenis van ego-meta-acties, toekomstige context en een kandidaatredenering. Het model geeft vijf waarschijnlijkheidsscores op basis van beoordelingscriteria, plus scores voor acties, componenten en het geheel.

Volgens de richtlijnen van NVIDIA wijst een hoge redeneerscore erop dat een redenering overeenkomt met de beoordelingscriteria van het model. Voor een beschrijving van het rijgedrag zijn daarnaast nog steeds metingen nodig van botsingen, van de weg raken, gevaarlijk dichtbij komen en trajecten. Voorbeelden met lage scores moeten worden beoordeeld en niet automatisch worden weggegooid, omdat ze zeldzame fouten aan het licht kunnen brengen. Zeer hoge scores kunnen wijzen op scènes die het model al consequent kan verklaren, terwijl gemiddelde scores vaak kansen markeren voor verdere training.

Het openbare recept voor reinforcement learning kan AlpaJudge-RB gebruiken om steekproefsgewijs geselecteerde redeneringen te beoordelen, samen met trajectfouten en comfort. NVIDIA raadt aan de trajectdrempel te handhaven en componentscores te registreren, zodat een vloeiende maar onjuiste verklaring op zichzelf niet tot een hoge totaalscore kan leiden. De praktische betekenis van deze release ligt in de ontwikkelcyclus die ze mogelijk maakt: compacte inferentie aan boord, beoordeelde verklaringen en gerichte bijscholing, waarbij bewijs uit botsings- en trajectgegevens bepaalt of betere verklaringen ook tot beter rijgedrag leiden.