NVIDIA phát hành trọng số Alpamayo 2 Edge cho xe tự hành

NVIDIA đã phát hành trọng số mô hình Alpamayo 2 Edge trên Hugging Face vào ngày 10 tháng 11 năm 2026, cung cấp một mô hình 2 tỷ tham số cho các nhà phát triển xe tự hành hoạt động trong giới hạn về năng lực tính toán trên xe và độ trễ. Bản phát hành bao gồm các công thức triển khai và công cụ đánh giá để tạo và xem xét kỹ lưỡng các quỹ đạo di chuyển cùng phần giải thích của chúng.

NVIDIA lần đầu công bố Alpamayo 2 Edge trong thông báo Hyperion ngày 21 tháng 10 năm 2026, mô tả đây là mô hình được tối ưu hóa cho DRIVE AGX Thor và thiết kế để hoạt động ở tần số 10 Hz trên xe. Trang sản phẩm Alpamayo cho biết Edge hiện đã có mặt, đồng thời phân biệt mô hình nhỏ gọn dùng trên xe với Alpamayo 2 Super gồm 34 tỷ tham số, được thiết kế để dự đoán tình huống lái xe, hiểu cảnh, tự động gán nhãn và huấn luyện các mô hình nhỏ hơn.

Mô hình nhỏ gọn với khả năng suy luận thích ứng

Cosmos 3 Edge cung cấp nền tảng suy luận dựa trên Nemotron, trong khi một mô-đun chuyên gia khuếch tán tạo ra các hành động lái xe. Với thiết kế kết hợp thị giác, ngôn ngữ và hành động này, video từ các camera quanh xe, ngữ cảnh theo thời gian, lịch sử chuyển động tự thân của xe và văn bản điều hướng được chuyển thành các quỹ đạo tương lai cùng phần giải thích theo Chuỗi nhân quả, liên kết các quyết định với những yếu tố gây ra chúng. Mô hình cũng có thể trả lời các câu hỏi mở về cảnh giao thông.

Edge có thể bỏ qua dấu vết suy luận khi lái xe thường lệ, thay vì tạo dấu vết cho mọi quyết định. Trong những trường hợp đó, tập lệnh suy luận sẽ xuất ra các token NOMINAL đặc biệt, giúp giảm số token cần tạo và lượng tính toán suy luận, trong khi mô hình vẫn tiếp tục tạo quỹ đạo.

Thẻ mô hình nêu phạm vi triển khai trên toàn cầu, giấy phép OpenMDW-1.1 áp dụng cho trọng số và Apache License 2.0 áp dụng cho mã nguồn. Tập dữ liệu huấn luyện gồm khoảng 115.000 giờ video lái xe từ nhiều camera, có chú thích về chuyển động tự thân của xe và quỹ đạo, cùng khoảng 3,7 triệu dấu vết suy luận theo Chuỗi nhân quả. Dữ liệu bao gồm bản ghi từ camera, đơn vị đo quán tính và GPS, cũng như các dấu vết suy luận tổng hợp.

Trong quá trình huấn luyện, Alpamayo 2 Super tạo ra các nhãn suy luận tự động được dùng cho chưng cất ngoại tuyến. Sau đó, Edge học từ hệ quả của các hành động do mình thực hiện thông qua học tăng cường vòng kín trong trình mô phỏng AlpaGym. NVIDIA cho biết giai đoạn này đã cải thiện hiệu suất lái xe vòng kín 48,9% so với điểm kiểm tra tốt nhất không sử dụng học tăng cường vòng kín.

Độ trễ trên xe và giới hạn xác thực

Các trọng số BF16 đã tải xuống có thể chạy trực tiếp dưới dạng mô hình PyTorch trên các GPU NVIDIA được hỗ trợ, nhưng cần tối ưu hóa thêm để vận hành theo thời gian thực trên DRIVE AGX Thor. Quy trình của NVIDIA sử dụng hiệu chuẩn FP8, xuất ONNX, TensorRT và TensorRT-Edge-LLM, cùng giải mã suy đoán DFlash2 để suy luận trực tuyến. Theo quy trình này, thời gian từ lúc nhận dữ liệu camera đến khi xuất quỹ đạo là 160–190 mili giây, tùy thuộc vào lượng suy luận; kết quả được đo trên DRIVE AGX Thor-X với DRIVE OS 7.2.7.0, CUDA 13.4 và TensorRT 11.3.1.9.

NVIDIA cho biết trong trình mô phỏng vòng kín AlpaSim, Edge đạt 9,87 km giữa các sự cố mà xe bị xác định có lỗi, so với 0,25 km của Qwen-Drive-1.0 gồm 4 tỷ tham số. Trong cùng phép so sánh, sai số dịch chuyển trung bình tối thiểu là 0,53 m đối với Edge và 1,68 m đối với Qwen-Drive-1.0; giá trị thấp hơn cho thấy dự đoán quỹ đạo chính xác hơn.

Về khả năng tương thích với phần mềm cơ sở, thẻ mô hình cho biết việc kiểm thử được thực hiện trên một GPU NVIDIA H100 80GB và các kiến trúc GPU khác vẫn chưa được xác thực; đây là thông tin riêng biệt với quy trình tối ưu hóa cho Thor-X. Việc tích hợp vào hệ thống xe tự hành đòi hỏi phải kiểm thử bổ sung bằng dữ liệu phù hợp với từng trường hợp sử dụng và xác thực lặp đi lặp lại ở cấp độ đơn vị lẫn hệ thống trước khi triển khai.

AlpaJudge kết nối khâu đánh giá với huấn luyện

NVIDIA cũng phát hành AlpaJudge, một mô hình đánh giá và chấm điểm phần thưởng được hiệu chuẩn theo đánh giá của con người, với cùng giấy phép áp dụng cho trọng số và mã nguồn. AlpaJudge-RB dựa trên tài liệu tham chiếu: mô hình nhận một câu hỏi, một câu trả lời tham chiếu và một câu trả lời ứng viên, không kèm hình ảnh, rồi trả về một xác suất tương đồng duy nhất trong khoảng từ 0 đến 1. AlpaJudge-RF không cần tài liệu tham chiếu; mô hình sử dụng ba khung hình từ camera góc rộng phía trước, ba khung hình từ camera tiêu cự dài phía trước, lịch sử meta-action của xe, ngữ cảnh tương lai và phần lập luận ứng viên để trả về năm xác suất theo tiêu chí đánh giá, cùng điểm số về hành động, thành phần và tổng thể.

Theo hướng dẫn của NVIDIA, điểm suy luận cao cho thấy phần lập luận phù hợp với tiêu chí đánh giá của bộ chấm; tuy nhiên, vẫn cần các chỉ số về va chạm, xe rời khỏi mặt đường, tình huống suýt va chạm và quỹ đạo để mô tả hành vi lái xe. Cần xem xét các ví dụ có điểm thấp thay vì tự động loại bỏ chúng, vì chúng có thể làm lộ ra những lỗi hiếm gặp. Điểm rất cao có thể xác định những cảnh mà mô hình đã giải thích nhất quán, trong khi điểm ở mức trung bình thường đánh dấu các cơ hội hữu ích để huấn luyện thêm.

Quy trình học tăng cường công khai có thể dùng AlpaJudge-RB để chấm điểm các lập luận được lấy mẫu cùng với sai số quỹ đạo và độ êm ái. NVIDIA khuyến nghị giữ lại ngưỡng kiểm soát quỹ đạo và ghi lại điểm số của từng thành phần để một lời giải thích trôi chảy nhưng sai không thể tự nó tạo ra tổng điểm thưởng cao. Ý nghĩa thực tiễn của bản phát hành nằm ở vòng lặp phát triển mà nó hỗ trợ: suy luận gọn nhẹ trên xe, lời giải thích được chấm điểm và huấn luyện lại có mục tiêu, trong đó bằng chứng về va chạm và quỹ đạo quyết định liệu lời giải thích tốt hơn có chuyển thành khả năng lái xe tốt hơn hay không.