英伟达开源Alpamayo 2 Edge 车端实时推理

时间：2026年11月10日（美国太平洋时间；北京时间为11月11日） 地点：美国加州圣克拉拉，英伟达开发者博客与 Hugging Face 模型仓库同步公开 人物：英伟达自动驾驶模型团队（技术博客作者 Marco Pavone、Boris Ivanovic）；合作伙伴 Embedl 联合创始人兼 CEO Hans Salomonsson、PORT 首席技术官 Matas Simonavicius、Niulinx 联合创始人兼运动规划负责人 Luca Crotti 事件详情：英伟达开源面向车端实时推理的自动驾驶模型 Alpamayo 2 Edge，模型权重同步上架 Hugging Face（nvidia/Alpamayo2-Edge）。这是一款 20 亿参数的自适应推理视觉-语言-动作（VLA）模型，推理骨干来自英伟达 Cosmos 3 Edge 的 Nemotron 2B 骨干，外挂一个 diffusion action expert，输入环视摄像头画面、时序上下文和导航指令，输出 Chain-of-Causation 因果推理链与未来行驶轨迹，同时支持对驾驶场景的自由问答。官方给出的车端算力目标是：按 Alpamayo 部署配方在 DRIVE AGX Thor-X（DRIVE OS 7.2.7.0、CUDA 13.4、TensorRT 11.3.1.9）上完成 FP8 校准、ONNX 导出和 TensorRT Edge-LLM 引擎构建后，像素到轨迹的推理延迟为 160 毫秒到 190 毫秒，取决于推理量多少。训练上，该模型用 Alpamayo 2 Super 生成的 CoC 推理自动标注做离线蒸馏，并在英伟达 AlpaGym 仿真框架里做闭环强化学习后训练，相对没有闭环强化学习的最好检查点，闭环驾驶性能提升 48.9%。官方横向对比显示，与 4B 参数的 Qwen-Drive-1.0 相比，Alpamayo 2 Edge 在 AlpaSim 闭环测试中两个有责事故之间的行驶距离为 15.15 公里对 0.25 公里，开环轨迹预测的最小平均位移误差为 0.53 米对 1.68 米。模型采用自适应推理，常规驾驶时直接输出 NOMINAL 标记而不展开推理链，以节省车端算力；配套发布的 AlpaJudge 是人工校准的推理质量评估与奖励模型，分 AlpaJudge-RB（有参考答案，输出一致性概率）与 AlpaJudge-RF（无参考，依据视觉证据给出五项评分）两个版本。合作伙伴反馈方面，Embedl 称不到 48 小时就让该模型在 AGX Thor 上以 10 Hz 运行；Niulinx 称零样本评测下最小平均位移误差比 Alpamayo 2 Super 低 13.6%、3 秒横向预测误差低 46.1%，用自有数据微调后位移误差再降 44.2%；PORT 称在其伦敦街道录制的闭环重建测试中，保持车道的次数是 Alpamayo 1.5 的两倍多，从车道偏移中恢复的比例高约 40%。 背景：Alpamayo 是英伟达专门面向自动驾驶的推理模型系列。上一代 Alpamayo 2 Super 于 2026 年 6 月公开报道，是 320 亿参数的开源推理型视觉-语言-动作模型，面向 L4 级自动驾驶车辆开发，同期还推出了 AlpaGym 闭环训练框架与 OmniDreams 场景生成工具，官方当时就说明该模型可被蒸馏成紧凑形式以适配车载硬件。此次 Alpamayo 2 Edge 把这条路补齐：官方技术博客同时公开了端侧推理优化流程、AlpaGym 闭环强化学习训练框架、AlpaJudge 推理质量评估模型，以及 Alpamayo Developer Hub 里从模型暂存、FP8 校准、ONNX 导出到 TensorRT 引擎构建的完整部署配方。行业此前把 VLA 大模型搬上车端的主要障碍是算力与延迟：能在数据中心跑出轨迹的模型，未必能在车载 SoC 上以 10 Hz 实时推理。 影响：对开发者而言，Alpamayo 2 Edge 把车端实时推理从各家自行踩坑变成一条可复现的工程流程，权重、推理脚本、量化与引擎构建配方、闭环强化学习框架和推理质量评估模型都在公开仓库里。48.9% 的闭环强化学习增益与 160 毫秒到 190 毫秒的端到端延迟，是这条路线目前给出的量化参考。对国内自动驾驶与具身智能团队来说，小模型加闭环仿真加推理评估这套组合有直接借鉴意义，官方基准中被用作对照的正是 4B 参数的 Qwen-Drive-1.0。需要留意的是，这些数字都来自英伟达自己的仿真环境和合作伙伴的早期测试，真实道路表现仍要各车企自行验证；该模型主要面向 L4 级研发与仿真验证，并不等于消费级辅助驾驶可以直接上车。 总结：Alpamayo 2 Edge 的关键不是把模型做大，而是把带推理链的驾驶模型压进车端的算力与延迟预算：20 亿参数、自适应推理、闭环强化学习带来 48.9% 的性能提升、端到端 160 毫秒到 190 毫秒，权重与部署配方全部公开。对自动驾驶研发团队来说，这是一份可以直接跑通数据、训练、评估、车端部署全链路的参照实现；对行业来说，端侧驾驶模型的竞争焦点正从参数规模转向推理效率与闭环数据闭环。 常见问题： 问：Alpamayo 2 Edge 能装进车里跑吗？ 答：可以，但要先按官方配方做推理优化，参考配置是在 AGX Thor-X 上把像素到轨迹延迟压到 160-190 毫秒。 问：它和 Alpamayo 2 Super 有什么区别？ 答：Super 是 320 亿参数、面向 L4 级自动驾驶的开源模型；Edge 是 20 亿参数的端侧版本，骨干来自 Cosmos 3 Edge。 参考来源： 英伟达官方技术博客：Running AV Reasoning Models Within Onboard Compute and Latency Limits（2026年11月10日） https://developer.nvidia.com/blog/running-av-reasoning-models-within-onboard-compute-and-latency-limits/ Hugging Face 模型卡：nvidia/Alpamayo2-Edge 权重与模型说明 https://huggingface.co/nvidia/Alpamayo2-Edge Hugging Face 模型卡：nvidia/alpajudge 推理质量评估模型 https://huggingface.co/nvidia/alpajudge GitHub 官方仓库：NVlabs/alpamayo2-edge 推理脚本与运行示例 https://github.com/NVlabs/alpamayo2-edge GitHub 官方仓库：NVlabs/alpamayo-recipes 车端部署与量化配方 https://github.com/NVlabs/alpamayo-recipes GitHub 官方仓库：NVlabs/alpagym 闭环强化学习训练框架 https://github.com/NVlabs/alpagym Unite.AI：NVIDIA Releases Alpamayo 2 Edge Weights for Autonomous Driving https://www.unite.ai/nvidia-releases-alpamayo-2-edge-weights-for-autonomous-driving/ 英伟达开发者论坛：Alpamayo 官方开发者专区 https://forums.developer.nvidia.com/c/autonomous-vehicles/alpamayo/766 盖世汽车社区：英伟达发布 Alpamayo 2 Super 开源推理模型，推动 L4 级自动驾驶开发 https://i.gasgoo.com/news/70460184.html