NVIDIA ha reso disponibile per uso commerciale Alpamayo 2 Super, un modello di ragionamento da 34 miliardi di parametri progettato per lo sviluppo di robotaxi e veicoli autonomi. I pesi sono stati pubblicati su Hugging Face con licenza OpenMDW-1.1 della Linux Foundation, che consente il fine-tuning, la creazione di modelli derivati e la ridistribuzione commerciale. La nuova licenza elimina il vincolo che aveva limitato le precedenti versioni della famiglia Alpamayo alle attività di ricerca e sviluppo, permettendo a costruttori automobilistici, produttori di camion, fornitori e sviluppatori di utilizzare commercialmente tutti i modelli della linea senza richiedere autorizzazioni aggiuntive. Secondo NVIDIA, Alpamayo è la famiglia open source di modelli di ragionamento per la guida autonoma più adottata su Hugging Face e ha superato complessivamente 500.000 download.
Alpamayo 2 Super è costruito a partire da Cosmos 3 Super Reasoner ed è stato sottoposto a una fase successiva di addestramento con reinforcement learning. Il modello è rivolto soprattutto alla gestione degli eventi di coda lunga, cioè quelle situazioni stradali rare, complesse e difficili da prevedere nelle quali interagiscono più veicoli, pedoni o altri soggetti. Questi scenari risultano particolarmente problematici per i sistemi tradizionali basati principalmente sul rilevamento degli oggetti e sulla previsione dei loro movimenti, perché compaiono con una frequenza insufficiente nei dati di addestramento ma richiedono comunque decisioni affidabili quando si verificano.
L’architettura combina un modello visione-linguaggio da 32 miliardi di parametri con un decoder delle azioni basato sulla diffusione da 2,3 miliardi di parametri. Alpamayo 2 Super riceve in ingresso i video provenienti da più telecamere, istruzioni o informazioni testuali e la cronologia dei movimenti del veicolo. Per ogni situazione produce cinque risultati collegati: una traiettoria pianificata, una catena causale che spiega le ragioni della decisione, un’azione generale come dare la precedenza o cambiare corsia, etichette di ragionamento generate automaticamente per l’addestramento e risposte a domande visive riferite a regioni specifiche delle immagini riprese dalle telecamere.
Il modello non è progettato per essere installato direttamente nel sistema di bordo di un robotaxi commerciale. NVIDIA lo presenta come un teacher model destinato ai flussi di lavoro eseguiti nel cloud, dove può produrre tracce di ragionamento, dati sintetici e risultati utilizzabili per addestrare modelli più piccoli. Questi ultimi vengono successivamente ottimizzati per l’inferenza in tempo reale sull’hardware del veicolo. La distinzione è rilevante perché Alpamayo 2 Super richiede risorse di calcolo elevate: NVIDIA lo ha validato su una singola GPU H100 da data center con 80 GB di memoria, mentre una configurazione con sette telecamere ha raggiunto un utilizzo massimo di circa 72 GB. Al momento, altre architetture GPU non risultano ancora validate. I modelli Alpamayo 1 e Alpamayo 1.5, entrambi da 10 miliardi di parametri, restano le alternative meno costose per lo sviluppo nel cloud e le attività di distillazione.
Le tracce causali generate dal modello svolgono anche una funzione di sicurezza e verificabilità. NVIDIA le integra nei flussi di validazione Halos, consentendo di collegare ciò che il sistema ha osservato alla decisione selezionata. Questa documentazione può supportare l’allineamento con ISO/PAS 8800, lo standard pubblicato per la sicurezza dell’intelligenza artificiale nei veicoli stradali. Utilizzato come sistema di etichettatura automatica sui dati proprietari raccolti dalle flotte, Alpamayo 2 Super può inoltre ridurre da mesi a giorni i cicli necessari per annotare e preparare il materiale destinato all’addestramento.
Nei test dichiarati da NVIDIA, il modello ha ottenuto 79,2 punti nella metrica Lingo-Judge di LingoQA, un benchmark di visual question answering dedicato alla guida autonoma. Il risultato lo ha collocato al primo posto tra quasi 40 modelli valutati dall’azienda, con un vantaggio di 17 punti su Qwen2.5-VL 72B, di 15,1 punti su Gemini 2.5 Pro e di 23,2 punti su GPT-4o. Si tratta di misurazioni effettuate e pubblicate direttamente da NVIDIA sul proprio modello.
La scheda tecnica riporta anche una valutazione closed-loop eseguita nel simulatore AlpaSim su 910 scenari provenienti dal dataset PhysicalAI-AV-NuRec. Nei test open-loop dedicati alla previsione della traiettoria, Alpamayo 2 Super ha registrato un errore di 0,911 metri su un orizzonte temporale di 6,4 secondi, utilizzando 937 campioni selezionati per il loro livello di difficoltà.
Il modello è stato addestrato su circa 115.000 ore di video di guida acquisiti attraverso più telecamere e corredati da annotazioni relative all’egomotion e alle traiettorie. Il materiale comprende inoltre circa 3,7 milioni di tracce causali utilizzate per rappresentare il processo decisionale. I dati sono stati raccolti attraverso telecamere, sensori inerziali e GPS e sono stati etichettati mediante una combinazione di procedure automatiche e interventi manuali.
La famiglia Alpamayo era stata presentata inizialmente al CES con Alpamayo 1, descritto da NVIDIA come il primo modello visione-linguaggio-azione con ragionamento chain-of-thought rivolto alla ricerca sui veicoli autonomi. Alpamayo 2 Super è stato successivamente annunciato il 31 maggio 2026 durante il GTC di Taipei, quando NVIDIA aveva anticipato la disponibilità commerciale per l’estate. In quel momento la famiglia si avvicinava ai 400.000 download, successivamente saliti oltre quota 500.000.
La licenza OpenMDW-1.1 era stata pubblicata dalla Linux Foundation il 28 maggio 2026 e adottata da NVIDIA anche per le famiglie Cosmos, Isaac GR00T, Ising e Nemotron. Attorno ad Alpamayo, l’azienda ha inoltre costruito un ecosistema aperto che comprende AlpaSim per la simulazione closed-loop, AlpaGym per il reinforcement learning, i Physical AI Open Datasets e una pipeline open source per l’etichettatura automatica.
Per i programmi dedicati ai robotaxi e alla guida autonoma, il cambiamento principale consiste nella possibilità di coprire con una sola licenza l’intero percorso che va dall’adattamento del modello alla distribuzione commerciale. Un gruppo di sviluppo può effettuare il fine-tuning sui dati della propria flotta, mantenere internamente sia il materiale proprietario sia i modelli derivati, distillare il risultato in una versione compatibile con la capacità di calcolo disponibile a bordo e utilizzarla in un prodotto commerciale senza dover ricostruire da zero le funzionalità fondamentali del sistema.