英伟达发布Alpamayo 2 Super：340亿参数开源VLA模型

面向长尾场景的VLA模型

NVIDIA正式发布Alpamayo 2 Super，一款参数量达340亿的开源视觉-语言-动作（Vision-Language-Action, VLA）模型，专为自动驾驶与无人出租车（robotaxis）设计。该模型以应对‘长尾事件’为核心目标——即罕见、多智能体交互的复杂驾驶场景，传统基于检测与预测的模块化架构对此类场景处理效果有限。

模型架构由两部分组成：一个320亿参数的视觉语言模型（VLM）主干网络，基于NVIDIA Cosmos 3 Super Reasoner构建，并经强化学习后训练；以及一个23亿参数的扩散式动作解码器。输入为全环绕摄像头视频（含时间戳）、文本指令与自车运动历史（3D平移+3×3旋转矩阵），单次前向推理即可同步输出：未来6.4秒内64个时间点（间隔0.1秒）的规划轨迹（含自车坐标系下的XYZ位置与旋转矩阵）、驱动该轨迹的因果链（Chain-of-Causation, CoC）解释、高层元动作（如‘让行’或‘变道’）、自动标注标签，以及带2D空间定位的视觉问答结果。

开放许可与商用就绪

Alpamayo 2 Super权重遵循Linux基金会推出的OpenMDW-1.1许可证发布，源代码采用Apache 2.0协议。OpenMDW-1.1为宽松型商业开源许可，明确允许商用部署、微调、衍生模型开发及商业再分发，且无需额外授权。NVIDIA已将该许可统一应用于整个Alpamayo系列，此前仅限研发用途的早期版本亦由此获得商用资格。

数据与性能基准

训练数据涵盖约11.5万小时多视角驾驶视频，均附带自车运动与轨迹标注；其中包含约370万条结构化因果链（CoC）标注，用于建模驾驶决策的因果逻辑；图像级训练数据超10亿张。

在LingoQA评测中，Alpamayo 2 Super取得79.2分Lingo-Judge成绩，在近40个参评模型中排名第一，显著领先Qwen2.5-VL 72B（+17.0分）、Gemini 2.5 Pro（+15.1分）和GPT-4o（+23.2分）。在NVIDIA内部闭环仿真测试中，使用AlpaSim在PhysicalAI-AV-NuRec数据集910个场景上得分为1.50 ± 0.13；开环评估中，于PhysicalAI-AV数据集937个挑战性样本上实现6.4秒最小平均位移误差（minADE₆）为0.911米。

工程价值与落地路径

该模型的五合一输出能力使其具备独特工程价值：开发者可直接关联模型感知输入与动作决策，提升系统可解释性与调试效率。CoC轨迹已集成至NVIDIA Halos安全验证工作流，符合ISO/PAS 8800对AI安全对齐的要求。NVIDIA指出，该模型作为自动标注器（autolabeler）应用于自有车队数据时，可将人工标注周期从数月压缩至数天。

硬件适配方面，模型已在单颗H100 80GB GPU上完成云端规模验证（峰值显存占用72,115 MiB），但实际车载部署需通过模型蒸馏等技术进行轻量化。

编者观点：Alpamayo 2 Super的开源策略与商用就绪设计，为中国自动驾驶企业提供了高可信度、可审计、可商用的VLA基座模型选项，有望加速本土L4级系统在复杂城市场景中的安全验证与迭代进程。