AREX Feed Article
NVIDIA 发布车载开放模型 Alpamayo 2 Edge：实时自适应推理，可规划路径并解释决策
北京时间 11 月 11 日凌晨（UTC 时间 11 月 10 日 16 时许），宣布车载模型 Alpamayo 2 Edge 上线，称其为车辆带来实时自适应 AI 推理：模型能规划驾驶路径，并在需要时解释自己的决策，官方举出的场景包括礼让行人、为对向驶来的公交车让出空间。NVIDIA 同时称，开发者可以基于这个开放模型构建新一代自动驾驶汽车，并把 AI 适配到自己的车队。
同一时间，给出更具体的技术口径：Alpamayo 2 Edge 是一个 2B 参数的推理视觉-语言-动作（VLA）模型，为在 NVIDIA DRIVE AGX Thor 平台上实时车载部署而设计，生成驾驶轨迹和因果解释。与同日上线，权重、代码和部署配方一并公开；也已把它列为模型训练与优化环节的正式选项。
跟 34B 的 Super 分工：小模型留给车端
Alpamayo 2 Edge 隶属 ——一个把推理 VLA 模型、仿真框架和驾驶数据集打包给自动驾驶开发者的家族。官方介绍称其推理围绕 Chain of Causation（因果链，下称 CoC）展开，让驾驶决策可解释、可审计。家族里已有 34B 参数的 Alpamayo 2 Super，负责规划、自动标注和训练更小的模型；Edge 补上的是车载端这一层。
这款模型 10 月 21 日已在 GTC Berlin 上亮相，将其描述为基于 Cosmos 3 Edge 的 Nemotron 骨干、面向 DRIVE AGX Thor 优化、以 10 Hz 运行车载场景理解与运动规划为设计目标。11 月 10 日的变化是模型开放了下载。
模型卡给出细账：官方口径的「2B 参数」实际由 2.45B 骨干（1.96B 语言模型、0.41B SigLIP2 视觉编码器、0.08B 投影层）加 0.2B 扩散动作专家构成，合计 2.65B。每次观察，模型读取 6 个摄像头共 22 帧图像、一条导航文本和 20 个以 0.1 秒为间隔的自车历史位姿；轨迹接口输出 64 个路径点，覆盖 0.1～6.4 秒，每个候选轨迹配有一段独立采样的因果推理文本。训练数据方面，模型卡载明约 115,000 小时多摄像头驾驶视频、约 370 万条 CoC 因果推理链。
常规驾驶不写推理链，算力花在必要时
「实时自适应」是这次发布的核心机制。开发者博客解释称，模型只在必要时生成推理，常规驾驶中直接输出 <NOMINAL> 标记，省下不必要的 token（词元）生成和推理算力；需要解释时再给出完整因果链。为了塞进车载算力，NVIDIA 的其他手段包括：用 Alpamayo 2 Super 生成的 CoC 自动标注做离线蒸馏、DFlash2 投机解码、多分辨率环视输入编码，以及配套的 TensorRT 与 TensorRT-Edge-LLM 量化推理配方。
博客中的参考配置显示，在 DRIVE AGX Thor-X（DRIVE OS 7.2.7.0、CUDA 13.4、TensorRT 11.3.1.9）上完成优化后，模型像素到轨迹的推理延迟为 160～190 毫秒，随推理量多少浮动。早期合作方 Embedl 的 CEO 兼联合创始人 Hans Salomonsson 在博客中称：「不到 48 小时，我们让 NVIDIA 的 Alpamayo 2 Edge 在 AGX Thor 上以 10 Hz 运行，用于实时规划。」
官方口径下的成绩单
博客与模型卡列出的基准均来自 NVIDIA 及其合作方自述。博客的对比图把 Alpamayo 2 Edge（2B）与 4B 参数的 Qwen-Drive-1.0 放在同一组任务里：AlpaSim 闭环测试中两次责任事故间的行驶里程 9.87 公里对 0.25 公里（官方标注约 40 倍）；开环轨迹预测的最小平均位移误差 0.53 米对 1.68 米；Ego3D、VLADBench、SURDS、Waymo QA、nuReasoning、KITScenes 等场景理解与推理基准上 Edge 得分更高，LingoQA 一项则低于对手（75.2 对 79.4）。
开发者博客另称，模型经 AlpaGym 仿真框架中的闭环强化学习（RL）后训练，闭环驾驶性能比未做闭环 RL 的最优检查点提升 48.9%。模型卡载明的成绩还有：875 个 NuRec 重建场景的闭环测试中，每次责任事故间行驶 15.15±0.04 公里；1,392 个样本的开环评测 minADE_6@5s 为 0.52 米。
配套的还有评分器 AlpaJudge：博客称这个经人类校准的评估与奖励模型负责给推理链打分、筛掉弱标注，并充当强化学习的奖励信号；官方图示的数据筛选流程把中分段样本的占比从原始数据的 27% 提到筛选后的 81%。
早期拿到模型的团队怎么说
博客的「早期伙伴反馈」部分共列出三家公司：除前文提到 10 Hz 运行结果的 Embedl 外，还有 PORT 和 Niulinx，以下反馈均属其自述。PORT 首席技术官 Matas Simonavicius 称，拿到早期访问权几天内，团队就在自己伦敦街景录像的 NuRec 重建中跑通闭环：Edge 保持车道的完成次数是 Alpamayo 1.5 的两倍以上，车道偏离后恢复的次数多约 40%，同一块 GPU 上开箱规划速度约为手工调优的 Alpamayo 1.5 服务端的两倍。Niulinx 联合创始人兼运动规划负责人 Luca Crotti 称，零样本评测中 Edge 的位移误差比 Alpamayo 2 Super 低 13.6%、3 秒横向预测误差低 46.1%，用自有驾驶数据微调后位移误差再降 44.2%，从拿到模型到真车首测只用了几天。
权重开放之后，还差什么
这次「开放」有具体所指：模型权重以 OpenMDW-1.1 许可发布，采用 Apache 2.0，模型卡将其定位为微调与车端高效部署的起点。不过，沃尔沃、Bolt 与奔驰等欧洲伙伴在 10 月新闻稿中采用的，是 Hyperion 平台与更大的 Alpamayo Stack 整套软件，并未特指 Edge。
这次发布没有回答的问题：上述性能数字均出自 NVIDIA 及合作方自述，暂无独立验证；模型卡自己写明，基础或微调模型集成进 AI 系统前，仍需用用例专有数据做额外测试、按 V 模型完成单元与系统级验证；至于哪些车队会把 Edge 装进量产车、何时装，帖文与博客都没有给出答案。