Pour les robotaxis et autres véhicules autonomes (AV), les problèmes les plus difficiles ne sont pas les scénarios du quotidien. Il s’agit des situations rares et complexes, difficiles à anticiper et pour lesquelles l’entraînement est ardu.
La gestion de ces événements de longue traîne exige bien plus que la détection d’objets et la prédiction de mouvement. Les AV doivent comprendre la situation, raisonner sur les causes et les effets, choisir la bonne action et traduire cette décision en une trajectoire sûre et confortable — le tout en temps réel et d’une manière que les développeurs peuvent inspecter, valider et à laquelle ils peuvent se fier.
NVIDIA Alpamayo 2 Super, disponible dès maintenant pour un usage commercial, fait partie de la famille Alpamayo, les modèles de raisonnement ouverts les plus adoptés pour la conduite autonome sur Hugging Face, prenant en charge un large éventail de capacités pertinentes pour les AV au sein d’un même modèle de fondation.
Conçu sur NVIDIA Cosmos 3 Super Reasoner et post-entraîné par apprentissage par renforcement, le modèle fait progresser l’écosystème des AV sur deux fronts: une licence commerciale ouverte et des capacités multitâches de premier plan pour la conduite autonome.
Alpamayo 2 Super fait partie de la collection croissante de NVIDIA composée de modèles ouverts, de jeux de données et d’outils pour la conduite autonome, élargissant l’accès, renforçant la concurrence, offrant aux développeurs un plus grand contrôle et favorisant un déploiement des AV plus sûr et plus transparent.
Licences ouvertes pour les AV de production
Alpamayo 2 Super est disponible sur Hugging Face sous la licence OpenMDW-1.1, la licence permissive de la Linux Foundation destinée aux distributions de modèles d’IA ouverts. Cette licence couvre le réglage fin, les modèles dérivés et la redistribution commerciale, permettant aux développeurs d’AV, aux constructeurs automobiles, aux constructeurs de camions et aux fournisseurs d’adapter Alpamayo à leurs propres données, politiques de conduite et stratégies de déploiement.
Cette ouverture permet aux chercheurs et aux entreprises du secteur des AV de conserver le contrôle de leurs propres données et infrastructures, ainsi que de détenir la valeur qu’ils créent grâce à des modèles spécialisés et à un savoir-faire accumulé. Un tel contrôle est essentiel pour les flux de travail impliquant des flottes propriétaires et la sécurité.
Les versions antérieures d’Alpamayo avaient initialement été proposées pour la R&D. La licence OpenMDW est désormais appliquée à l’ensemble de la famille de modèles Alpamayo, afin que les développeurs puissent déployer commercialement n’importe lequel de ces modèles sans autorisation supplémentaire. Cela crée un parcours direct de l’adaptation au déploiement.
Les poids ouverts rendent cette voie économiquement viable. Les équipes peuvent s’appuyer sur un raisonnement avancé sans réentraîner chaque capacité fondamentale à partir de zéro ni assumer le coût des modèles frontière pour chaque tâche, en associant le bon modèle à la bonne tâche au bon coût.
Alpamayo 2 Super permet un raisonnement à l’échelle des modèles frontière dans les flux de développement basés sur le cloud, où les développeurs peuvent générer des traces de raisonnement de haute qualité, des données d’entraînement synthétiques et des sorties de modèles enseignants pour la distillation de modèles. Au sein de la famille de modèles Alpamayo, Alpamayo 2 Super offre les meilleures performances de raisonnement et de conduite pour le développement multimodal de la conduite autonome, tandis qu’Alpamayo 1.5 et Alpamayo 1 constituent des options plus économiques pour le développement dans le cloud et la distillation de modèles.
Les modèles distillés qui en résultent peuvent ensuite être optimisés pour une inférence efficace et en temps réel dans les véhicules de série. Ensemble, les modèles de la famille Alpamayo offrent un flux de travail du cloud au véhicule qui associe un raisonnement à l’échelle des modèles frontières à un déploiement évolutif sur l’ensemble des flottes commerciales de véhicules autonomes.
Pour les programmes de véhicules autonomes, cela signifie un raisonnement à l’échelle des modèles frontière dans le cloud et des modèles spécialisés et efficaces embarqués dans le véhicule, soit une manière plus durable de déployer à grande échelle une autonomie sûre au sein des flottes commerciales.
Un raisonnement en tête des benchmarks, à l’échelle des modèles frontière
Alpamayo 2 Super se classe au premier rang sur LingoQA, un benchmark de raisonnement dédié à la conduite autonome, parmi près de 40 modèles évalués. Lors de tests menés par NVIDIA avec la métrique Lingo-Judge, il a surpassé Qwen2.5-VL 72B de 17,0 points, Gemini 2.5 Pro de 15,1 points et GPT-4o de 23,2 points, démontrant un raisonnement de pointe pour des scénarios de conduite. Alpamayo 2 Super se classe également au premier rang sur l’ensemble des benchmarks de conduite autonome évalués par NVIDIA, ce qui souligne ses performances de premier plan sur un large éventail de capacités liées aux véhicules autonomes.
Alpamayo 2 Super offre une échelle trois fois supérieure à celle des modèles NVIDIA Alpamayo 1.5 et Alpamayo 1, dotés de 10 milliards de paramètres. Cette capacité accrue aide le modèle à mieux généraliser son raisonnement à partir d’exemples rares — une capacité essentielle pour les interactions rares impliquant plusieurs agents, face auxquelles les systèmes conventionnels rencontrent souvent des difficultés.
Le modèle raisonne sur une couverture caméra périphérique complète, en fusionnant les vues avant, latérales et arrière du véhicule. Ce contexte à 360 degrés permet une compréhension plus riche des changements de voie, des insertions, des virages sans protection et des intersections complexes, où les risques apparaissent fréquemment.
Un modèle de fondation multitâche pour les robotaxis et la conduite autonome
Pour chaque situation de conduite, Alpamayo 2 Super peut produire cinq sorties étroitement liées :
- Une trajectoire décrivant le trajet planifié du véhicule.
- Une trace de chaîne de causalité (CoC) qui explique le raisonnement à l’origine de la décision.
- Une méta-action (par exemple, céder le passage, changer de voie, s’arrêter) qui traduit l’intention du modèle.
- Des auto-étiquettes de raisonnement qui génèrent des annotations CoC pour les données d’entraînement et de validation.
- Des réponses à des questions visuelles, avec un ancrage visuel 2D qui relie les réponses du modèle à des régions précises des images des caméras.
Ensemble, ces sorties offrent un aperçu du processus décisionnel du modèle. Les développeurs peuvent relier ce que le modèle a observé à l’action qu’il a choisie, ce qui rend les décisions plus faciles à comprendre, à examiner de manière critique et à valider.
Les traces CoC peuvent s’intégrer aux flux de travail NVIDIA Halos de validation de la sécurité et prendre en charge une sécurité de l’IA conforme aux exigences ISO/PAS 8800, offrant ainsi une base plus solide à l’ingénierie de la sécurité des véhicules autonomes .
Alpamayo 2 Super peut également être déployé comme outil d’étiquetage automatique afin de générer des étiquettes CoC et d’effectuer des tâches de question-réponse visuelle avec ancrage 2D sur des données de flotte propriétaires. En reliant son raisonnement à des régions spécifiques des images de caméra, le modèle peut transformer des séquences de conduite brutes en données d’entraînement plus riches, réduisant les cycles d’annotation de plusieurs mois à quelques jours.
Au-delà de la planification et de l’étiquetage automatique, Alpamayo 2 Super prend en charge la compréhension de scène, la critique de modèles et la distillation de connaissances. Ces capacités multitâches permettent aux développeurs d’utiliser un seul modèle de fondation sur une plus grande partie de la chaîne de développement, simplifiant l’outillage et accélérant les itérations.
Un écosystème ouvert pour des véhicules autonomes fondés sur le raisonnement
Alpamayo 2 Super fait partie d’une famille plus large de modèles, de frameworks et de jeux de données ouverts destinés au développement de véhicules autonomes.
Les autres outils de cette famille comprennent :
- NVIDIA AlpaSim, qui assure la simulation en boucle fermée.
- NVIDIA AlpaGym, qui permet un apprentissage par renforcement à haut débit.
- NVIDIA Physical AI Open Datasets, qui fournit les données nécessaires à l’entraînement et aux tests.
- Des recettes d’entraînement ouvertes et un pipeline d’étiquetage automatique pour accélérer le développement, l’entraînement et la validation des modèles.
Alpamayo a déjà dépassé 500 000 téléchargements sur Hugging Face, confirmant sa position de famille de modèles de raisonnement ouverts la plus adoptée sur la plateforme pour la conduite autonome.
Téléchargez NVIDIA Alpamayo 2 Super sur Hugging Face pour explorer le modèle, évaluer ses capacités de raisonnement et commencer à développer la prochaine génération de robotaxis et de véhicules autonomes.