Für Robotaxis und andere autonome Fahrzeuge (AVs) liegen die schwierigsten Probleme nicht in den alltäglichen Szenarien. Es sind die seltenen, komplexen Situationen, die schwer vorherzusehen sind und für die schwer trainiert werden kann.
Der Umgang mit diesen Long-Tail-Ereignissen erfordert mehr als nur Objekterkennung und Bewegungsvorhersage. AVs müssen die Situation verstehen, über Ursache und Wirkung schlussfolgern, die richtige Handlung wählen und diese Entscheidung in eine sichere, komfortable Fahrtroute umsetzen – und das alles in Echtzeit und auf eine Weise, die für Entwickler nachvollziehbar, validierbar und vertrauenswürdig ist.
NVIDIA Alpamayo 2 Super, ab jetzt für die kommerzielle Nutzung verfügbar, ist Teil der Alpamayo-Familie, der am häufigsten eingesetzten offenen Reasoning-Modelle für autonomes Fahren auf Hugging Face, und unterstützt eine breite Palette AV-relevanter Fähigkeiten innerhalb eines einzigen Foundation-Modells.
Aufgebaut auf NVIDIA Cosmos 3 Super Reasoner und mittels Reinforcement Learning nachtrainiert, bringt das Modell das AV-Ökosystem in zwei Bereichen voran: offene kommerzielle Lizenzierung und führende Multitask-Fähigkeiten für autonomes Fahren.
Alpamayo 2 Super ist Teil von NVIDIAs wachsender Sammlung offener Modelle, Datensätze und Tools für autonomes Fahren, erweitert den Zugang, stärkt den Wettbewerb, gibt Entwicklern mehr Kontrolle und unterstützt einen sichereren, transparenteren Einsatz von AVs.
Offene Lizenzierung für AVs in der Serienproduktion
Alpamayo 2 Super ist auf Hugging Face unter OpenMDW-1.1 verfügbar, der freizügigen Lizenz der Linux Foundation für offene KI-Modelldistributionen. Die Lizenz umfasst Fine-Tuning, abgeleitete Modelle und die kommerzielle Weiterverbreitung und erlaubt es AV-Entwicklern, Automobilherstellern, LKW-Herstellern und Zulieferern, Alpamayo an ihre eigenen Daten, Fahrstrategien und Bereitstellungsstrategien anzupassen.
Diese Offenheit ermöglicht es AV-Forschern und -Unternehmen, die Kontrolle über ihre eigenen Daten und ihre Infrastruktur zu behalten sowie den Wert zu besitzen, den sie durch spezialisierte Modelle und angesammeltes Know-how schaffen. Eine solche Kontrolle ist für Workflows mit proprietären Flotten und für die Sicherheit von entscheidender Bedeutung.
Frühere Alpamayo-Releases wurden zunächst für Forschung und Entwicklung eingeführt. Die OpenMDW-Lizenz wird nun auf die gesamte Alpamayo-Modellfamilie angewendet, sodass Entwickler jedes der Modelle kommerziell einsetzen können, ohne zusätzliche Genehmigungen zu benötigen. Dies schafft einen direkten Weg von der Anpassung bis zur Bereitstellung.
Offene Gewichte machen diesen Weg wirtschaftlich tragfähig. Teams können auf fortschrittlichem Reasoning aufbauen, ohne jede Basisfähigkeit von Grund auf neu trainieren oder für jede Aufgabe die Kosten eines Frontier-Modells tragen zu müssen – und dabei das passende Modell mit der passenden Aufgabe zu den passenden Kosten kombinieren.
Alpamayo 2 Super ermöglicht Reasoning auf Frontier-Niveau in cloudbasierten Entwicklungsworkflows, in denen Entwickler hochwertige Reasoning-Traces, synthetische Trainingsdaten und Lehrer-Outputs für die Modelldestillation erzeugen können. Innerhalb der Alpamayo-Modellfamilie liefert Alpamayo 2 Super die höchste Reasoning- und Fahrleistung für die multimodale Entwicklung des autonomen Fahrens, während Alpamayo 1.5 und Alpamayo 1 kosteneffizientere Optionen für die cloudbasierte Entwicklung und die Modelldestillation bieten.
Die daraus resultierenden destillierten Modelle können anschließend für effiziente Echtzeit-Inferenz in Serienfahrzeugen optimiert werden. Gemeinsam bietet die Alpamayo-Modellfamilie einen Cloud-to-Car-Workflow, der Reasoning auf Frontier-Niveau mit skalierbarer Bereitstellung über kommerzielle AV-Flotten hinweg verbindet.
Für AV-Programme bedeutet dies Reasoning auf Frontier-Niveau in der Cloud und effiziente, spezialisierte Modelle im Fahrzeug – ein nachhaltigerer Weg, sichere Autonomie in kommerzielle Flotten zu skalieren.
Benchmarkführendes Reasoning auf Frontier-Niveau
Alpamayo 2 Super belegt bei LingoQA, einem Reasoning-Benchmark für autonomes Fahren, unter nahezu 40 evaluierten Modellen den ersten Platz. In Tests von NVIDIA mit der Lingo-Judge-Metrik übertraf es Qwen2.5-VL 72B um 17,0 Punkte, Gemini 2.5 Pro um 15,1 Punkte und GPT-4o um 23,2 Punkte und zeigte damit Reasoning auf dem neuesten Stand der Technik für fahrzentrierte Szenarien. Alpamayo 2 Super belegt zudem den ersten Platz über alle von NVIDIA evaluierten Benchmarks für autonomes Fahren hinweg, was seine führende Leistung über ein breites Spektrum von AV-Fähigkeiten hinweg unterstreicht.
Alpamayo 2 Super bietet den dreifachen Umfang der NVIDIA Alpamayo 1.5- und Alpamayo 1-Modelle mit 10 Milliarden Parametern. Die zusätzliche Kapazität hilft dem Modell, Reasoning aus wenigen Beispielen besser zu generalisieren – eine entscheidende Fähigkeit für die seltenen Interaktionen mit mehreren Verkehrsteilnehmern, bei denen konventionelle Systeme häufig an ihre Grenzen stoßen.
Das Modell führt Reasoning über die vollständige Rundumsicht der Kameras durch und fusioniert die Ansichten von Front, Seiten und Heck des Fahrzeugs. Dieser 360-Grad-Kontext ermöglicht ein umfassenderes Verständnis von Spurwechseln, Einfädelvorgängen, nicht geschützten Abbiegemanövern und komplexen Kreuzungen, an denen häufig Risiken entstehen.
Ein Multitask-Foundation-Model für Robotaxis und autonomes Fahren
Für jede Fahrsituation kann Alpamayo 2 Super fünf eng miteinander verknüpfte Ausgaben erzeugen:
- Eine Trajektorie, die den geplanten Weg des Fahrzeugs beschreibt.
- Einen Chain-of-Causation-(CoC-)Trace, der die Begründung der Entscheidung erläutert.
- Eine Meta-Aktion (z. B. Vorfahrt gewähren, Spurwechsel, Anhalten), die die Absicht des Modells erfasst.
- Reasoning-Auto-Labels, die CoC-Annotationen für Trainings- und Validierungsdaten erzeugen.
- Antworten auf visuelle Fragen mit 2D-Visual-Grounding, das die Antworten des Modells mit bestimmten Bereichen in den Kamerabildern verknüpft.
Gemeinsam bieten diese Ausgaben Einblick in den Entscheidungsprozess des Modells. Entwickler können nachvollziehen, was das Modell beobachtet hat und welche Aktion es daraufhin gewählt hat, wodurch Entscheidungen leichter verständlich, kritisch prüfbar und validierbar werden.
CoC-Traces können in NVIDIA Halos-Workflows zur Sicherheitsvalidierung integriert werden und unterstützen KI-Sicherheit im Einklang mit den Anforderungen von ISO/PAS 8800, wodurch eine stärkere Grundlage für die AV-Sicherheitstechnik entsteht.
Alpamayo 2 Super kann zudem als Autolabeler eingesetzt werden, um CoC-Labels zu generieren und Visual Question Answering mit 2D-Grounding auf proprietären Flottendaten durchzuführen. Indem das Modell seine Argumentationsschritte mit bestimmten Regionen in Kamerabildern verknüpft, kann es unbearbeitete Fahrclips in umfangreichere Trainingsdaten überführen und Annotationszyklen von Monaten auf Tage verkürzen.
Über Planung und automatisches Labeling hinaus unterstützt Alpamayo 2 Super Szenenverständnis, Modellbewertung und Knowledge Distillation. Diese Multitask-Fähigkeiten ermöglichen es Entwicklern, ein einziges Foundation Model in größeren Teilen des Entwicklungsstacks einzusetzen, wodurch das Tooling vereinfacht und die Iteration beschleunigt wird.
Ein offenes Ökosystem für Reasoning-basierte autonome Fahrzeuge
Alpamayo 2 Super ist Teil einer umfassenderen Familie offener Modelle, Frameworks und Datensätze für die Entwicklung autonomer Fahrzeuge.
Zu den weiteren Tools dieser Familie gehören:
- NVIDIA AlpaSim, das Closed-Loop-Simulation bereitstellt.
- NVIDIA AlpaGym, das Reinforcement Learning mit hohem Durchsatz ermöglicht.
- NVIDIA Physical AI Open Datasets, die Daten für Training und Tests liefern.
- Offene Trainingsrezepte und eine Autolabeling-Pipeline zur Beschleunigung von Modellentwicklung, Training und Validierung.
Alpamayo hat auf Hugging Face bereits mehr als 500.000 Downloads erreicht und bestätigt damit seine Position als am häufigsten genutzte offene Reasoning-Modellfamilie für autonomes Fahren auf der Plattform.
Laden Sie NVIDIA Alpamayo 2 Super auf Hugging Face herunter, um das Modell zu erkunden, seine Reasoning-Fähigkeiten zu bewerten und mit der Entwicklung der nächsten Generation von Robotaxis und autonomen Fahrzeugen zu beginnen.