Robótica e IA física
O Alpamayo 2 Super da NVIDIA Abre o Desenvolvimento de Robotáxi para Uso Comercial
Adicione Unite.AI às suas fontes preferidas no Google
A NVIDIA (NVDA ) lançou o Alpamayo 2 Super, um modelo de raciocínio de 34 bilhões de parâmetros para direção autônoma, para uso comercial, conforme anunciado em 4 de agosto de 2026. Os pesos do modelo estão publicados no Hugging Face sob a licença OpenMDW-1.1, uma licença permissiva da Linux Foundation para distribuições de modelos de IA, que abrange o ajuste fino, modelos derivados e redistribuição comercial.
O lançamento remove uma barreira de licenciamento que mantinha a família Alpamayo na pesquisa. Versões anteriores foram introduzidas para uso em P&D; a NVIDIA afirma que a licença OpenMDW agora se aplica a toda a linha Alpamayo, permitindo que desenvolvedores, fabricantes de automóveis, fabricantes de caminhões e fornecedores implantem qualquer um dos modelos comercialmente sem precisar de permissão adicional. A empresa descreve o Alpamayo como a família de modelos de raciocínio aberto mais adotada para direção autônoma no Hugging Face, com downloads ultrapassando 500.000.
O Alpamayo 2 Super é construído sobre o Cosmos 3 Super Reasoner da NVIDIA e pós-treinado com aprendizado por reforço. Ele é direcionado ao que a indústria chama de eventos de longa cauda: as raras situações de trânsito multi-agente que são difíceis de antecipar e treinar, onde os sistemas convencionais construídos sobre detecção de objetos e previsão de movimento tendem a ter dificuldades.
Um modelo de professor, não o stack do carro
A arquitetura, detalhada na carta do modelo, combina uma espinha dorsal de visão-linguagem de 32 bilhões de parâmetros com um decodificador de ação baseado em difusão de 2,3 bilhões de parâmetros. O modelo ingere vídeo de múltiplas câmeras, texto e o histórico de movimento do veículo, e produz cinco saídas acopladas para cada situação de direção: uma trajetória planejada, um rastro de cadeia de causalidade que explica o raciocínio por trás da decisão, uma ação meta de alto nível, como ceder ou mudar de faixa, rótulos de raciocínio autogerados para dados de treinamento e respostas a perguntas visuais fundamentadas em regiões específicas das imagens da câmera.
Isso é uma ferramenta de desenvolvimento, e não o software que dirigiria um robótaxi de produção. A NVIDIA posiciona o Alpamayo 2 Super como um modelo de professor para fluxos de trabalho baseados em nuvem: ele gera traços de raciocínio, dados de treinamento sintéticos e saídas de professor que são destilados em modelos menores, que são então otimizados para inferência em tempo real em veículos. O perfil de hardware na carta do modelo reflete essa divisão. A NVIDIA validou o modelo em um único GPU de centro de dados H100 com 80 gigabytes de memória, onde uma configuração de sete câmeras atingiu cerca de 72 gigabytes de memória do dispositivo, e afirma que outras arquiteturas de GPU ainda não foram validadas. Na linha da família, o Alpamayo 1.5 de 10 bilhões de parâmetros e o Alpamayo 1 permanecem como opções de menor custo para desenvolvimento e destilação em nuvem.
As saídas de explicabilidade carregam o peso da engenharia de segurança. A NVIDIA afirma que os traços de cadeia de causalidade se integram com os fluxos de trabalho de validação de segurança Halos e suportam o alinhamento com a norma de segurança publicada ISO/PAS 8800 para IA em veículos rodoviários, dando aos desenvolvedores um registro que liga o que o modelo observou à ação que ele selecionou. Como um autolabeler em dados de frota proprietários, a empresa afirma que o modelo pode comprimir ciclos de anotação de meses para dias.
Benchmarks e dados de treinamento
Nos testes próprios da NVIDIA, o Alpamayo 2 Super alcançou 79,2 no métrico Lingo-Judge do LingoQA, um benchmark de resposta a perguntas visuais para direção autônoma originalmente desenvolvido pela Wayve. A empresa afirma que esse resultado é o primeiro entre quase 40 modelos que ela avaliou, e superou o Qwen2.5-VL 72B em 17,0 pontos, o Gemini 2.5 Pro em 15,1 pontos e o GPT-4o em 23,2 pontos. Esses são os próprios números da NVIDIA para o seu próprio modelo, relatados em seus materiais.
A carta do modelo também relata a avaliação em loop fechado no simulador AlpaSim da NVIDIA em 910 cenários do conjunto de dados PhysicalAI-AV-NuRec, e um erro de trajetória em loop aberto de 0,911 metros em um horizonte de 6,4 segundos em 937 amostras desafiadoras. Os dados de treinamento por trás do modelo compreendem cerca de 115.000 horas de vídeo de direção multi-câmera com anotações de egomotion e trajetória, mais cerca de 3,7 milhões de traços de raciocínio de cadeia de causalidade, coletados de câmeras, sensores inerciais e GPS com uma mistura de marcação automatizada e manual.
Do lançamento no CES à licença comercial
A família se moveu rapidamente pelas etapas de licenciamento. A NVIDIA apresentou o Alpamayo 1 no CES como o que ela chamou de primeiro modelo de raciocínio de visão-linguagem de cadeia de pensamento para pesquisa de veículos autônomos, um lançamento de 10 bilhões de parâmetros direcionado à comunidade de pesquisa. A empresa então introduziu o Alpamayo 2 Super no GTC Taipei em 31 de maio de 2026, com disponibilidade comercial prometida para o verão; a família havia sido baixada quase 400.000 vezes naquela época, um número que desde então ultrapassou 500.000. O Unite.AI examinou a abordagem de modelo de raciocínio para o problema de caso de borda quando a família primeiramente apareceu.
A licença que permite este lançamento é ela mesma semanas mais antiga. A Linux Foundation lançou a OpenMDW-1.1 em 28 de maio de 2026, com a NVIDIA adotando-a em suas famílias de modelos Cosmos, Isaac GR00T, Ising e Nemotron; o Alpamayo agora se junta a essa lista. Em torno dos modelos, a NVIDIA reuniu um ecossistema aberto para desenvolvimento de AV: AlpaSim para simulação em loop fechado, AlpaGym para aprendizado por reforço, Conjuntos de Dados Abertos de IA Física e um pipeline de marcação automática de código aberto.
Para programas de robótaxis e AV, a mudança prática é um caminho direto de adaptação para implantação em pesos abertos: uma equipe de desenvolvimento pode ajustar finamente o Alpamayo em seus próprios dados de frota, manter esses dados e os modelos resultantes em casa, destilar o resultado em algo que se encaixe no cômputo do veículo, e enviá-lo comercialmente, tudo sob uma licença, sem reconstruir capacidades de fundação do zero.
