NVIDIA 发布 Alpamayo 2 Super：统一自动驾驶开发的开源推理视觉模型

传统自动驾驶开发依赖多个独立模型分别处理轨迹生成、意图预测、场景理解和数据标注。这种分离使得比较相关输出、调查模型行为以及跨工作流复用表示变得困难。NVIDIA Alpamayo 2 Super 的发布正是针对这一痛点，将多种能力整合进一个 34B 参数的开放推理视觉-语言-动作（VLA）模型。

该模型由 32B 参数的 Cosmos 3 Super Reasoner 和 2B 参数的扩散式 Action Expert 组成，并通过强化学习进行后训练。Reasoner 负责解释多摄像头视频、语言上下文和先前运动历史，Action Expert 则将内部表示转换为未来的自车轨迹。这种设计使得模型能够同时输出轨迹、推理链、元动作、场景问答和自动标注，为 AV 开发提供统一基础。

Alpamayo 2 Super 的感知范围覆盖最多七个摄像头的 360° 视角，并返回多种互补输出：未来轨迹、Chain-of-Causation（CoC）推理轨迹、高层元动作、场景问题答案以及带 2D 定位的推理自动标签。这些输出支持四种工作流：生成轨迹与 CoC 推理、预测元动作（如让行、变道、停车）、多摄像头场景的自然语言问答，以及生成带 2D 定位的 CoC 自动标签。

这种多任务设计使同一基础模型能够在开发流程的不同阶段复用，例如作为离线策略教师、评估批评者、数据引擎或新任务定制的起点，从而避免为每个阶段维护单独模型。

在开放环路评估中，Alpamayo 2 Super 在 1,434 个挑战性样本上实现了 6.4 秒 minADE_6 为 0.911 米，在 Physical AI AV Reasoning Benchmark 上得分 0.433，LingoQA 得分 79.2，在 37 个评估模型中排名第一。

在 LingoQA 上，它领先 Qwen2.5-VL (72B) 17.0 分，Qwen3-VL (32B) 7.0 分，Gemini 2.5 Pro 15.1 分，GPT-4o 23.2 分。此外，元动作 IoU（横向 74.59，纵向 61.91，车道 73.55）、VQA 答案相似度 0.652、2D 定位 IoU 0.71，以及闭环 AlpaSim Score 1.50 ± 0.13，均优于先前模型。

开放环路指标的主要挑战在于，它们针对固定的预录未来进行评估，无法捕捉模型首次动作后场景的变化。例如，如果自车变道，开放环路回放可能继续沿记录轨迹移动相邻车辆，而不考虑其对自车的反应。

闭环模拟则执行每个预测动作，并在包含反应式行为模型时捕捉周围智能体的反应。NVIDIA AlpaSim 通过反复渲染观测来实现这一点，从而提供更全面的评估。

模型权重已在 Hugging Face 上发布，推理笔记本在 GitHub 上提供。模型采用 OpenMDW-1.1 许可，这是 Linux 基金会针对开放模型分发的宽松许可，涵盖微调、衍生模型和商业再分发。蒸馏模型可无需 NVIDIA 进一步许可进行商业部署，模型输出不附带许可条件。