NVIDIA’s Alpamayo 2 Super åpner robotaxi-utvikling for kommersiell bruk

NVIDIA (NVDA ) har lansert Alpamayo 2 Super, en 34-milliarder-parametere resonemodell for autonom kjøring, for kommersiell bruk, selskapet annonserte den 4. august 2026. Modellens vekter er publisert på Hugging Face under OpenMDW-1.1, Linux Foundations permissive lisens for AI-modellfordeling, som dekker finjustering, deriverte modeller og kommersiell redistribusjon.

Lanseringen fjerner en lisensbarriere som hadde holdt Alpamayo-familien i forskning. Tidligere versjoner ble introdusert for FoU-bruk; NVIDIA sier at OpenMDW-lisensen nå gjelder for hele Alpamayo-linjen, så utviklere, bilprodusenter, lastebilprodusenter og leverandører kan distribuere noen av modellene kommersielt uten å søke om ytterligere tillatelse. Selskapet beskriver Alpamayo som den mest adopterte åpne resonemodell-familien for autonom kjøring på Hugging Face, med nedlastinger som overstiger 500 000.

Alpamayo 2 Super er bygget på NVIDIA’s Cosmos 3 Super Reasoner og post-trent med forsterkingslæring. Det er rettet mot det industrien kaller lange-hale-hendelser: de sjeldne, multi-agent trafikksituasjonene som er vanskelige å forutse og trene for, hvor konvensjonelle systemer bygget på objekt-deteksjon og bevegelsesprediksjon tendrer til å streve.

En lærermodell, ikke en innbil-modell

Arkitekturen, detaljert i modellkortet, parer en 32-milliarder-parametere visuelt-språklig ryggrad med en 2,3-milliarder-parametere diffusjonsbasert handling-dekoder. Modellen inngår multi-kamera-video, tekst og kjøretøysbevegelseshistorikk, og produserer fem koblete utganger for hver kjøresituasjon: en planlagt bane, en årsakskjede-sporsporing som forklarer begrunnelsen bak beslutningen, en høy-nivå meta-handling som gir eller filtre, auto-genererte resonemodell-etiketter for treningdata, og visuelle spørsmålssvar grundet til bestemte regioner i kamera-bildene.

Dette er et utviklingsverktøy snarere enn programvaren som ville styre en produksjons-robotaxi. NVIDIA stiller Alpamayo 2 Super som en lærermodell for sky-baserte arbeidsflyter: den genererer resonemodell-sporsporinger, syntetisk treningdata og lærer-utganger som destilleres til mindre modeller, som deretter optimeres for sanntids-inferens i kjøretøy. Maskinprofiler i modellkortet reflekterer denne inndelingen. NVIDIA validerer modellen på en enkelt H100 data-senter-GPU med 80 gigabyte minne, hvor en syv-kamera-konfigurasjon toppet på omtrent 72 gigabyte enhetsminne, og sier at andre GPU-arkitekturer ennå ikke er valideret. I familie-linjen er 10-milliarder-parametere Alpamayo 1,5 og Alpamayo 1 fremdeles de lavere-kostnads-alternativene for sky-utvikling og destillasjonsarbeid.

The explainability-utgangene bærer sikkerhets-ingeniør-vekten. NVIDIA sier at årsakskjede-sporsporingene integrerer med sine Halos-sikkerhets-valideringsarbeidsflyter og støtter justering med ISO/PAS 8800, den publiserte sikkerhetsstandarden for AI i veikjøretøy, og gir utviklere en rekord som kobler hva modellen observerte til handlingen den valgte. Som en auto-etiketter på proprietær flåte-data, sier selskapet, kan modellen komprimere annoteringssykluser fra måneder til dager.

Benchmark og treningdata

I NVIDIA’s egen testing, Alpamayo 2 Super scoret 79,2 på Lingo-Judge-målet for LingoQA, en visuell spørsmåls-benchmark for autonom kjøring opprinnelig utviklet av Wayve. Selskapet sier at resultatet rangerer først blant nesten 40 modeller det evaluerte, og overgikk Qwen2.5-VL 72B med 17,0 poeng, Gemini 2,5 Pro med 15,1 poeng og GPT-4o med 23,2 poeng. Disse er NVIDIA’s egne tall for sin egen modell, rapportert i sine materialer.

Modellkortet rapporterer også lukket-løkke-evaluering i NVIDIA’s AlpaSim-simulator over 910 scenarier fra sin PhysicalAI-AV-NuRec-dataset, og en åpen-løkke-traektor-feil på 0,911 meter ved en 6,4-sekunders horisont på 937 utfordrende prøver. Treningsdataene bak modellen består av omtrent 115 000 timer med multi-kamera-kjøring-video med egomotor- og trajektor-annoteringer, pluss omtrent 3,7 millioner årsakskjede-resonemodell-sporsporinger, samlet fra kamere, inertial-sensorer og GPS med en blanding av automatisert og manuell etikettering.

Fra CES-debut til kommersiell lisensiering

Familien har flyttet raskt ved lisensierings-stadier. NVIDIA avdekket Alpamayo 1 på CES som det kalte industrins første kjede-av-tenkning-resonemodell for AV-forskning, en 10-milliarder-parametere-utgivelse rettet mot forskningssamfunnet. Selskapet introduserte deretter Alpamayo 2 Super på GTC Taipei den 31. mai 2026, med kommersiell tilgjengelighet lovet for sommeren; familien hadde blitt lastet ned nesten 400 000 ganger på det tidspunktet, en tall som har passerer 500 000. Unite.AI undersøkte resonemodell-tilnærmingen til kant-tilfelle-problemet da familien først dukket opp.

Lisensen som muliggjør denne ukes lansering er selv noen uker gammel. Linux Foundation lanserte OpenMDW-1.1 den 28. mai 2026, med NVIDIA som adopterte det over sine Cosmos, Isaac GR00T, Ising og Nemotron-modellfamilier; Alpamayo slutter seg nå til denne listen. Rundt modellene har NVIDIA samlet en åpen økosystem for AV-utvikling: AlpaSim for lukket-løkke-simulering, AlpaGym for forsterkingslæring, Physical AI Open Datasets og en åpen kildekode-auto-etiketterings-pipeline.

For robotaxi- og AV-programmer er den praktiske endringen en direkte vei fra tilpasning til distribusjon på åpne vekter: en utviklingsteam kan finjustere Alpamayo på sin egen flåte-data, holde denne dataen og de resulterende modellene internt, destillere resultatet til noe som passer inn i kjøretøy-komputasjon, og distribuere det kommersielt, alt under en lisens, uten å bygge grunnleggende evner fra scratch.