NVIDIA annoncerede 4. august 2026 den kommercielle frigivelse af Alpamayo 2 Super, en 34-milliarder parameter vision-language-action model målrettet autonom kørsel. Vægtene er lagt ud under Linux Foundations OpenMDW-1.1-licens, og kildekoden er udgivet under Apache 2.0. Licenserne fjerner en væsentlig barriere for robotaxi-teams, der vil i produktion uden særskilte tilladelser eller uigennemsigtige aftaler.
Hvad modellen er
I korte træk: Alpamayo 2 Super kobler en 32-mia. VLM-backbone, bygget på Cosmos 3 Super Reasoner og eftertrænet med reinforcement learning, med en 2,3-mia. parameter diffusionsbaseret action-decoder. Fra et gennemløb over fuld-omkreds kameravideo udsender den en planlagt bane (trajectory), en årsagskæde for beslutningen og en meta-action (fx yield, skift vognbane). Pakken rummer fem outputs, herunder også auto-labels og grounded VQA.
Arkitekturen er tænkt som en samlet policy-model: ikke en løs kobling af perception, forståelse og kontrol, men en VLA der binder årsag og handling sammen. Det giver mening, men gør også validering vanskeligere, fordi fejl ikke altid kan isoleres til en enkelt komponent.
Licens og distribution
Vægtene er frigivet under OpenMDW-1.1. Koden under Apache 2.0. Kilderne angiver, at licenserne tillader finetuning, afledte modeller og kommerciel redistribuering uden ekstra tilladelser. Ifølge oplysningerne sigter NVIDIA mod at anvende OpenMDW på hele Alpamayo-familien, så tidligere R&D-udgaver kan bringes i kommerciel drift.
Det betyder, at teams kan starte POC og pilot uden at vente på kontraktforhandlinger. Til gengæld kræver det styr på governance for proprietære data: autolabeling af egne flådedata er kommercielt mulig, så datarettigheder, audit og traceability bør være på plads før første træningsjob.
Inputs og API
Det validerede input i den offentlige notebook omfatter multi-kamera RGB-video, tekst og egobevelser over flere tidstrin med 3D-translation og en 3×3 rotationsmatrix. Eksempelprofiler bruger seks kameraer og fire historiske frames per kamera. Det kræver stram kalibrering og tidsstempling; ellers glider præcisionen.
Trajectory-API’et returnerer 64 waypoints fra 0,1 til 6,4 sekunder i 0,1-sekunds intervaller. Hvert waypoint indeholder ego-rammens XYZ og en 3×3 rotationsmatrix. Det kan lette integration med eksisterende planlægnings- og kontrolsløjfer, men presser latency-budgettet, hvis planen skal opdateres i takt med sensordata.
Træningsdata og skala
Træningssættet er oplyst til cirka 115.000 timers multi-kamera kørselsvideo med egomotion og trajektorie-annoteringer, over 1 milliard billeder og omtrent 3,7 millioner Chain-of-Causation-traces. Idéen bag CoC er at give modellen strukturerede, kausale forklaringer, så den ikke kun ser, hvad der sker, men også hvorfor en handling følger.
Ydeevne og validering
På LingoQA rapporterer NVIDIA en Lingo-Judge på 79,2, først blandt knap 40 modeller i deres interne sammenligning. Her ligger Alpamayo 2 Super ifølge kilderne 17,0 point over Qwen2.5-VL 72B, 15,1 over Gemini 2.5 Pro og 23,2 over GPT-4o i de samme tests. Closed-loop evaluering i AlpaSim på 910 scenarier fra PhysicalAI-AV-NuRec giver 1,50 ± 0,13. Og i open-loop på 937 udfordrende PhysicalAI-AV-samples noteres minADE₆ ved 6,4 sekunder til 0,911 meter.
To nødvendige fodnoter: Tallene stammer fra NVIDIA-rapporterede tests, ikke uafhængig tredjepartsvalidering. Og benchmarks måler ikke lovpligtig sikkerhed i trafikken. De peger retning, men udgør ikke garantier.
Hvad det betyder i praksis
CoC-traces og autolabeling kan accelerere annotationssløjfer; kilderne peger på komprimering fra måneder til dage. Det er lovende, men brug af autolabels i safety-kritiske retraining-loops kræver en auditplan: skygge-annotering, repræsentativ udtagning til manuel kontrol og tydelige stopkriterier for drift, hvis kvaliteten falder.
Implementering og drift
Sensor- og dataformatkravene betyder, at synkronisering og kalibrering ikke kan være et eftertænkt punkt. Seks kameraer, fire historiske frames og egobevelser i flere tidstrin kræver deterministiske datastreams og overvågning for tab af frames. Det er et driftsanliggende — ikke kun et udviklingstema.
Runtime-krav er ikke fuldt kvantificeret i de åbne kilder. Et datapunkt i den primære dækning nævner test på 1× H100 80GB med cirka 72.115 MiB peak for cloud-skala kørsel og en anbefaling om distillering til in-car inference. Det er nyttigt, men utilstrækkeligt til at budgettere en realtidskæde. Uden klare latency-mål per komponent må teams selv måle batchstørrelser, kvantisering og pipelines med sensorfusion på den konkrete bilplatform.
Validering og simulation
Rapporterede closed-loop-scorer i AlpaSim er et startpunkt, men egne scenarier er uomgængelige. Scenarie-baseret vurdering i egen pipeline bør dække lang hale, uortodoks adfærd i kryds og vejbaner med støj (kridtstreger, halvslukkede lygter, spejlinger).
En robust praksis er tre sløjfer: 1) offline open-loop sanity checks på historiske logs, 2) closed-loop sim med interventionslogik, 3) begrænset felt med safety driver og faste stopregler. Derefter tilbage til træning med autolabels — først når audit giver grønt.
Risici og ansvar
Long-tail er målet, men der følger ingen sikkerhedsgaranti med ud af boksen. Licenserne giver ret til brug, ikke sikkerhed. Ansvaret ved fejl ligger hos operatøren. Det kræver dyb dokumentation: versionering af datasæt, træningsjobs og hyperparametre samt kobling af CoC-traces til beslutninger i sim og felt.
Kilderne peger på, at CoC-spor kan kobles til eksisterende safety-workflows i retning af ISO/PAS 8800. Det forudsætter komplette SOP’er: hvem godkender en ny modelversion, hvornår ruller man tilbage, hvordan håndteres hændelser i drift, og hvilke metrikker udløser stop eller menneskelig fallback.
Næste skridt for udviklingsteams
Start fokuseret. Kør en POC med egen sensorkonfiguration, egne logs og en sim-suite på 100–200 scenarier, hvor I kender de korrekte manøvrer. Få trajectory-API’et til at køre deterministisk i jeres pipeline, før I skalerer.
Etabler en autolabeling-strøm med kvalitetsporte: blind re-annotering af 5–10 procent, bias-tjek på sårbare cases og klare regler for, hvornår autolabels må indgå i træning. Sæt governance op fra start: datasætmanifest, licenskæde og dokumentation af afledte modeller.
Konkurrence og perspektiv
Alpamayo 2 Super stiller sig op mod andre store VLM/VLA-systemer. LingoQA-sammenligningerne viser en pæn margin over Qwen2.5-VL 72B, Gemini 2.5 Pro og GPT-4o i NVIDIAs egne målinger, men det oversættes ikke direkte til vejperformance. Den konkrete forskel her er licenserne: skiftet fra R&D-etiketter til fuld kommerciel anvendelse kan presse konkurrenter til at åbne mere — eller miste relevans i produktionsdialoger.
Det handler i sidste ende om, hvem der først får model, data og drift til at mødes i en sikker, skalerbar kæde. Åbne vægte og Apache-kode hjælper. Fordelen materialiseres først, når egne data kører gennem en pålidelig, målbar cyklus.
Tre ting at tage med
Muligheden: Kommercielle, åbne vægte gør det legitimt at bygge afledte produkter og rulle dem ud. Kravet: Sensor-synkronisering, simulering og audit af autolabels er ikke valgfrit. Usikkerheden: Uafhængig validering mangler, og runtime-profilen til stram realtid er kun delvist belyst.
Konklusionen er praktisk: forskellen viser sig først i drift — og i den første regression i et ellers grønt dashboard.
Kilder og metode
Artiklen bygger på MarkTechPosts tekniske gennemgang (5. august 2026) af Alpamayo 2 Super og Unite.ai’s nyhedsdækning af public release og Hugging Face-upload under OpenMDW-1.1. Benchmark-tal (LingoQA, AlpaSim, minADE) er NVIDIA-rapporterede og ikke uafhængigt tredjepartsvalideret. Oplysninger om træningsdatas omfang og CoC-traces stammer fra MarkTechPost. Licensimplikationer er udledt af de to kilder; eksterne verifikationer af datasætoverensstemmelser og runtime-profiler fremgår ikke af kilderne.
