Per i robotaxi e altri veicoli autonomi (AV), le sfide più grandi non sono gli scenari di routine che si incontrano ogni giorno. Sono le situazioni rare e complesse intrinsecamente difficili da anticipare e per cui allenarsi.

La gestione di questi eventi di coda lunga richiede molto più del semplice rilevamento degli oggetti e della previsione del movimento. Gli AV devono comprendere la situazione, ragionare su causa ed effetto, selezionare l'azione appropriata e tradurre quella decisione in un percorso sicuro e confortevole — tutto in tempo reale e in modo che gli sviluppatori possano ispezionarlo, validarlo e fidarsene. Questa combinazione è importante perché i programmi AV vengono valutati non solo sulla capacità di un veicolo di muoversi, ma sulla possibilità di tracciare, testare e migliorare le sue decisioni su flotte ampie e in condizioni stradali mutevoli.

NVIDIA Alpamayo 2 Super, ora disponibile per uso commerciale, appartiene alla famiglia Alpamayo — i modelli di reasoning open per la guida autonoma più adottati su Hugging Face. Il modello supporta un'ampia gamma di capacità rilevanti per gli AV all'interno di un unico modello foundation.

Basato su NVIDIA Cosmos 3 Super Reasoner e addestrato con reinforcement learning, Alpamayo 2 Super fa avanzare l'ecosistema AV su due fronti: licenze commerciali aperte e leading multitask capabilities per la guida autonoma. Fa parte della collezione in espansione di NVIDIA di modelli, dataset e strumenti open per la guida autonoma, ampliando l'accesso, rafforzando la concorrenza, offrendo maggiore controllo agli sviluppatori e supportando una distribuzione AV più sicura e trasparente.

Licenze Open per AV di Produzione

Alpamayo 2 Super è disponibile su Hugging Face con licenza OpenMDW-1.1, la licenza permissiva della Linux Foundation per le distribuzioni di modelli AI open. La licenza copre il fine-tuning, i modelli derivati e la redistribuzione commerciale, consentendo a sviluppatori AV, case automobilistiche, produttori di camion e fornitori di adattare Alpamayo ai propri dati, politiche di guida e strategie di deployment.

Questa apertura consente a ricercatori e aziende AV di mantenere il controllo dei propri dati e della propria infrastruttura, nonché la proprietà del valore creato attraverso modelli specializzati ed esperienza accumulata. Tale controllo è essenziale per i workflow che coinvolgono flotte proprietarie e sistemi safety-critical.

Le versioni precedenti di Alpamayo erano inizialmente introdotte per ricerca e sviluppo. La licenza OpenMDW viene ora applicata all'intera famiglia di modelli Alpamayo, consentendo agli sviluppatori di distribuire commercialmente qualsiasi modello senza richiedere autorizzazioni aggiuntive. Questo stabilisce un percorso diretto dall'adattamento al deployment.

I pesi open rendono quel percorso economicamente sostenibile. I team possono basarsi su capacità di reasoning avanzate senza riaddestrare ogni funzionalità foundation da zero o sostenere costi di frontier-model per ogni attività, abbinando il modello giusto al compito giusto al costo appropriato.

Alpamayo 2 Super abilita il reasoning su scala frontier nei workflow di sviluppo basati su cloud, dove gli sviluppatori possono generare tracce di reasoning di alta qualità, dati di training sintetici e output teacher per la distillazione dei modelli. All'interno della famiglia di modelli Alpamayo, Alpamayo 2 Super offre le migliori prestazioni di reasoning e guida per lo sviluppo multimodale di guida autonoma, mentre Alpamayo 1.5 e Alpamayo 1 offrono opzioni più convenienti per lo sviluppo basato su cloud e la distillazione dei modelli.

I modelli distillati risultanti possono quindi essere ottimizzati per un'inferenza efficiente in tempo reale nei veicoli di produzione. Insieme, la famiglia di modelli Alpamayo offre un workflow dal cloud al veicolo che combina il reasoning su scala frontier con un deployment scalabile su flotte AV commerciali. Per i programmi AV, questo si traduce in reasoning su scala frontier nel cloud e modelli efficienti e specializzati nel veicolo — un approccio più sostenibile per scalare la guida autonoma sicura verso flotte commerciali.

Reasoning Leader nei Benchmark su Scala Frontier

Alpamayo 2 Super si classifica al primo posto su LingoQA, un benchmark di reasoning per la guida autonoma, tra quasi 40 modelli valutati. Nei test NVIDIA con la metrica Lingo-Judge, ha superato Qwen2.5-VL 72B di 17,0 punti, Gemini 2.5 Pro di 15,1 punti e GPT-4o di 23,2 punti, dimostrando capacità di reasoning state-of-the-art per scenari centrati sulla guida. Alpamayo 2 Super si classifica anche al primo posto in tutti i benchmark di guida autonoma valutati da NVIDIA, sottolineando le sue prestazioni leader in un'ampia gamma di capacità AV.

Alpamayo 2 Super offre una scala 3 volte superiore rispetto ai modelli NVIDIA Alpamayo 1.5 e Alpamayo 1 da 10 miliardi di parametri. La capacità aggiuntiva aiuta il modello a generalizzare meglio il reasoning da esempi scarsi — una capacità critica per le rare interazioni multi-agente in cui i sistemi convenzionali spesso faticano.

Il modello ragiona sulla copertura completa delle telecamere di bordo, fondendo le visioni dal davanti, dai lati e dal retro del veicolo. Questo contesto a 360 gradi consente una comprensione più ricca dei cambi di corsia, delle fusioni, delle svolte non protette e degli incroci complessi — le situazioni in cui i rischi sorgono più comunemente.

Un Modello Foundation Multitask per Robotaxi e Guida Autonoma

Per ogni situazione di guida, Alpamayo 2 Super può produrre cinque output strettamente correlati:

1. Una traiettoria che descrive il percorso pianificato del veicolo.
2. Una traccia di catena di causalità (CoC) che spiega il ragionamento alla base della decisione.
3. Una meta-azione (ad es. cedere il passo, cambio di corsia, arresto) che cattura l'intento del modello.
4. Auto-etichette di reasoning che generano annotazioni CoC per i dati di training e validazione.
5. Risposte di visual question answering con 2D visual grounding che collegano le risposte del modello a regioni specifiche nelle immagini delle telecamere.

Insieme, questi output offrono una visione del processo decisionale del modello. Gli sviluppatori possono collegare ciò che il modello ha osservato all'azione selezionata, rendendo le decisioni più facili da comprendere, criticare e validare.

Le tracce CoC si integrano con i workflow di validazione della sicurezza NVIDIA Halos e supportano la sicurezza AI allineata ai requisiti ISO/PAS 8800, fornendo una base più solida per l'ingegneria della sicurezza AV.

Alpamayo 2 Super può anche essere distribuito come autolabeler per generare etichette CoC ed eseguire visual question answering con 2D grounding su dati di flotta proprietari. Collegando il proprio reasoning a regioni specifiche nelle immagini delle telecamere, il modello può trasformare riprese di guida grezze in dati di training più ricchi, comprimendo i cicli di annotazione da mesi a giorni.

Oltre alla pianificazione e all'auto-etichettatura, Alpamayo 2 Super supporta la comprensione della scena, la critica del modello e la distillazione della conoscenza. Queste capacità multitask consentono agli sviluppatori di utilizzare un unico modello foundation su più parti dello stack di sviluppo, semplificando gli strumenti e accelerando l'iterazione.

Un Ecosistema Open per AV Basati sul Reasoning

Alpamayo 2 Super fa parte di una più ampia famiglia di modelli, framework e dataset open per lo sviluppo AV. Altri strumenti della famiglia includono:

• NVIDIA AlpaSim, che fornisce simulazione a ciclo chiuso.
• NVIDIA AlpaGym, che abilita il reinforcement learning ad alto throughput.
• NVIDIA Physical AI Open Datasets, che forniscono dati per training e test.
• Recipe di training open e una pipeline di autolabeling per accelerare lo sviluppo, il training e la validazione dei modelli.

Alpamayo ha già superato i 500.000 download su Hugging Face, rafforzando la sua posizione come famiglia di modelli di reasoning open per la guida autonoma più adottata sulla piattaforma.

NVIDIA Alpamayo 2 Super è disponibile su Hugging Face per consentire agli sviluppatori di esplorare il modello, valutarne le capacità di reasoning e iniziare a costruire la prossima generazione di robotaxi e veicoli autonomi.