Alpamayo 2 Super 開放商用：34B 規模在 LingoQA 拿下 79.2 分居首，自駕先推理再行動

Alpamayo 2 Super 開放商用：34B 規模在 LingoQA 拿下 79.2 分居首，自駕先推理再行動。 發布定位 Alpamayo 2 Super 於 2026 年 8 月 4 日推出，目標涵蓋 robotaxis、卡車、接駁車、配送車、拖拉機，以及長尾的各式行動機器人——Jensen Huang 形容未來會有數十億台自主機器。他表示，模型依 OpenMDW-1.1 授權開放商用，團隊可以檢視、微調並部署；他認為開放模型有助於推進安全（safety）與資安（security），下一波 AI 就是 robotics，而這一波從 autonomous vehicles 開始。 模型架構與部署 NVIDIA 表示，Alpamayo 2 Super 建立在 NVIDIA Cosmos 3 Super Reasoner 上，並以 reinforcement learning 做 post-training。它的模型規模是 10 billion-parameter Alpamayo 1 與 Alpamayo 1.5 的 3 倍，能更有效從稀疏範例中泛化推理，尤其針對罕見的多方互動情境。模型會融合車輛前方、側面與後方攝影機影像，形成 360 度環景脈絡。 背景為黑色的科技宣傳圖片，中央上方呈現一台透視內部的黑色汽車並圍繞金色發光圓環，下方橫向排列五個帶有金色線條圖示的方形區塊。 開放授權與工作流程 先前 Alpamayo 版本只供研發用途，這次 OpenMDW-1.1 一次套用到整個 Alpamayo 家族，開發者不必另外申請授權即可商用部署；它允許微調、建立衍生模型及商業再散布，讓車商、卡車製造商與供應商能搭配自有資料、駕駛政策及部署策略開發。NVIDIA 描述的 cloud-to-car workflow，是先在雲端用 Alpamayo 2 Super 產生 reasoning traces、synthetic training data 與 teacher outputs，再將蒸餾後的專用模型最佳化，部署到車上做即時推論；Alpamayo 1.5 與 Alpamayo 1 則提供成本較低的選項。 多任務能力 每個駕駛情境可產生五類相互連結的輸出： 描述車輛行駛路徑的 trajectory。 解釋決策因果關係的 chain-of-causation（CoC）trace。 表達讓行、變換車道與停車等意圖的 meta-action。 為訓練與驗證資料產生 CoC 標註的 reasoning auto-label。 結合 2D visual grounding、將回答對應至影像特定區域的 visual question answering。 這些輸出可協助開發者檢查模型看見了什麼、為何選擇某個動作，並支援 NVIDIA Halos 的安全驗證流程與 ISO/PAS 8800 對齊的 AI safety 工作。NVIDIA 也稱，模型可把車隊影片轉成更完整的訓練資料，將標註週期從數月壓縮至數日。 Alpamayo 2 Super 在各項主要自動駕駛（AV）任務上的表現全面超越 Qwen3-VL-32B-Instruct。 評測與生態系 NVIDIA 表示，Alpamayo 2 Super 在 LingoQA、近 40 個模型的評測中排名第一；以 Lingo-Judge 測試時，分數比 Qwen2.5-VL 72B 高 17.0 分、比 Gemini 2.5 Pro 高 15.1 分、比 GPT-4o 高 23.2 分。它也支援 scene understanding、model critiquing 與 knowledge distillation，並可搭配 NVIDIA AlpaSim、NVIDIA AlpaGym、NVIDIA Physical AI Open Datasets、開放訓練 recipes 與 autolabeling pipeline。Alpamayo 系列在 Hugging Face 的下載量已超過 500,000 次。 Alpamayo 2 Super 在 LingoQA Score 指標上以 79.2 分領先其他模型。原文：https://easyvibecoding.app/curated/2856-nvidia-alpamayo-2-super-open-models-reason-before-action