NVIDIA, Otonom Sürüş İçin Alpamayo 2 Edge Ağırlıklarını Yayımladı

NVIDIA, Alpamayo 2 Edge model ağırlıklarını 10 Kasım 2026’da Hugging Face’te yayımlayarak araç içi işlem kapasitesi ve gecikme sınırları dahilinde çalışan otonom sürüş geliştiricilerinin 2 milyar parametreli bir modeli kullanıma sunmasını sağladı. Yayın, sürüş yörüngeleri ve bunların açıklamalarını oluşturup incelemeye yönelik dağıtım tarifleri ve değerlendirme araçlarını da içeriyor.

NVIDIA, Alpamayo 2 Edge’i ilk olarak 21 Ekim 2026 tarihli Hyperion duyurusunda duyurdu; modelin DRIVE AGX Thor için optimize edildiğini ve araç içinde 10 Hz hızında çalışacak şekilde tasarlandığını belirtti. Alpamayo ürün sayfasında Edge’in kullanıma sunulduğu belirtilirken, kompakt araç içi model; sürüş tahmini, sahne anlama, otomatik etiketleme ve daha küçük modelleri eğitme amacı taşıyan 34 milyar parametreli Alpamayo 2 Super‘dan ayrı olarak listeleniyor.

Uyarlanabilir Akıl Yürütmeye Sahip Kompakt Model

Cosmos 3 Edge, Nemotron tabanlı akıl yürütme omurgasını sağlarken, bir difüzyon eylem uzmanı sürüş eylemlerini oluşturuyor. Görüntü-dil-eylem tasarımında çevre kameralarından alınan video, zamansal bağlam, aracın hareket geçmişi ve navigasyon metni; kararları nedensel etkenlerle ilişkilendiren Nedensellik Zinciri açıklamalarının yanı sıra gelecekteki yörüngelere dönüştürülüyor. Model, bir sürüş sahnesiyle ilgili açık uçlu soruları da yanıtlayabiliyor.

Edge, her karar için bir akıl yürütme izi üretmek yerine olağan sürüş durumlarında bu izi atlayabiliyor. Bu durumlarda çıkarım betiği özel NOMINAL belirteçleri üretiyor; böylece model yörüngeler üretmeye devam ederken belirteç üretimi ve çıkarım için gereken işlem gücü azalıyor.

Model kartında, ağırlıklar için OpenMDW-1.1 lisansı ve kaynak kodu için Apache License 2.0 lisansı kapsamında küresel dağıtım bilgileri yer alıyor. Eğitim veri kümesi, aracın hareketi ve yörüngelere ilişkin açıklamalarla birlikte yaklaşık 115.000 saatlik çok kameralı sürüş videosunun yanı sıra yaklaşık 3,7 milyon Nedensellik Zinciri akıl yürütme izinden oluşuyor. Verilerde kamera, ataletsel ölçüm birimi ve GPS kayıtlarının yanı sıra sentetik akıl yürütme izleri de bulunuyor.

Eğitim sırasında Alpamayo 2 Super, çevrimdışı damıtma için kullanılan akıl yürütme otomatik etiketlerini oluşturdu. Ardından Edge, AlpaGym simülatöründe kapalı çevrim takviyeli öğrenme yoluyla eylemlerinin sonuçlarından öğrendi. NVIDIA, bu aşamanın kapalı çevrim takviyeli öğrenme kullanılmadan elde edilen en iyi kontrol noktasına kıyasla kapalı çevrim sürüş performansını %48,9 artırdığını bildiriyor.

Araç İçi Gecikme ve Doğrulama Sınırları

İndirilen BF16 ağırlıkları, desteklenen NVIDIA GPU’larda doğrudan PyTorch modeli olarak çalışıyor; ancak DRIVE AGX Thor’da gerçek zamanlı çalışma için ek optimizasyon gerekiyor. NVIDIA’nın tarifinde FP8 kalibrasyonu, ONNX dışa aktarımı, TensorRT ve TensorRT-Edge-LLM’in yanı sıra çevrimiçi akıl yürütme için DFlash2 spekülatif kod çözme kullanılıyor. Tarife göre, akıl yürütme miktarına bağlı olarak kamera girişinden yörünge çıktısına kadar geçen süre 160–190 milisaniye. Bu ölçüm DRIVE OS 7.2.7.0, CUDA 13.4 ve TensorRT 11.3.1.9 kullanılan DRIVE AGX Thor-X üzerinde yapıldı.

NVIDIA, AlpaSim kapalı çevrim simülatöründe Edge’in kusurlu taraf olduğu olaylar arasında 9,87 kilometreye ulaştığını, 4 milyar parametreli Qwen-Drive-1.0’ın ise 0,25 kilometrede kaldığını bildiriyor. Aynı karşılaştırmada, minimum ortalama yer değiştirme hatası Edge için 0,53 metre, Qwen-Drive-1.0 için 1,68 metre olarak ölçüldü; daha düşük değerler yörünge tahminlerinin gerçeğe daha yakın olduğunu gösteriyor.

Temel yazılım uyumluluğu açısından model kartında, testlerin tek bir NVIDIA H100 80GB GPU üzerinde yapıldığı belirtiliyor; diğer GPU mimarilerinin ise henüz doğrulanmadığı ifade ediliyor. Bu açıklama, optimize edilmiş Thor-X tarifinden ayrıdır. Modelin otonom sürüş sistemine entegre edilmesinden önce, kullanıma özel verilerle ek testlerin ve birim ve sistem düzeyinde yinelemeli doğrulamanın yapılması gerekiyor.

AlpaJudge, Değerlendirmeyi Eğitimle Buluşturuyor

NVIDIA, aynı ağırlık ve kod lisanslarına sahip, insan değerlendirmeleriyle kalibre edilmiş bir değerlendirme ve ödül modeli olan AlpaJudge‘ı da yayımladı. Referans tabanlı AlpaJudge-RB, görüntü kullanmadan bir soru, referans yanıt ve aday yanıt alıyor; ardından 0 ile 1 arasında tek bir uyum olasılığı veriyor. Referanssız AlpaJudge-RF ise üç geniş açılı ön kamera karesi ve üç telefoto ön kamera karesi, aracın geçmiş meta-eylemleri ve gelecek bağlamı ile bir aday gerekçeyi kullanarak beş rubrik olasılığının yanı sıra eylem, bileşen ve genel puanları üretiyor.

NVIDIA’nın yönergelerine göre yüksek bir akıl yürütme puanı, gerekçenin değerlendiricinin rubriğiyle örtüştüğüne işaret ediyor; ancak sürüş davranışını tanımlamak için çarpışma, yoldan çıkma, yakın karşılaşma ve yörünge ölçümlerine de ihtiyaç var. Düşük puanlı örnekler nadir hataları ortaya çıkarabileceğinden otomatik olarak elenmek yerine incelenmeli. Çok yüksek puanlar, modelin zaten tutarlı biçimde açıklayabildiği sahneleri gösterebilirken orta düzeydeki puanlar çoğu zaman ek eğitim için yararlı fırsatlara işaret ediyor.

Kamuya açık takviyeli öğrenme tarifi, örneklenmiş akıl yürütmeleri yörünge hatası ve konforla birlikte puanlamak için AlpaJudge-RB’yi kullanabiliyor. NVIDIA, akıcı ancak yanlış bir açıklamanın tek başına yüksek toplam ödül almasını önlemek için yörünge eşiğinin korunmasını ve bileşen puanlarının kaydedilmesini öneriyor. Yayının pratik önemi, mümkün kıldığı geliştirme döngüsünde yatıyor: kompakt araç içi çıkarım, puanlanmış açıklamalar ve hedefli yeniden eğitim. Daha iyi açıklamaların daha iyi sürüşe dönüşüp dönüşmediğini ise çarpışma ve yörünge verileri belirliyor.