Nvidia veröffentlicht Alpamayo 2 Edge, ein 2-Milliarden-Parameter-Modell für autonomes Fahren, das seine Entscheidungen nur bei Bedarf erklärt

Nvidia hat am 10. November 2026 Alpamayo 2 Edge veröffentlicht, ein Vision-Language-Action-Modell für autonomes Fahren mit rund 2 Milliarden Parametern, das für den Einsatz im Fahrzeug auf dem Chip DRIVE AGX Thor konzipiert ist. Es wertet sechs Kameras aus, plant die Trajektorie für die folgenden 6,4 Sekunden und verfasst eine Erklärung für seine Entscheidung, sobald die Situation dies erfordert. Die Modellgewichte lassen sich auf Hugging Face unter der Lizenz OpenMDW-1.1 herunterladen – einer freizügigen Lizenz, die eine kommerzielle Nutzung nicht verbietet –, während der Code unter Apache 2.0 steht.

Erklären nur dann, wenn es nützlich ist

Fahrmodelle, die „nachdenken“, haben im Auto einen entscheidenden Nachteil: Das Formulieren einer Begründung kostet Zeit und Rechenleistung, obwohl die Trajektorie mehrmals pro Sekunde berechnet werden muss. Die Antwort von Nvidia lautet adaptives Reasoning. Auf einer unproblematischen Straße gibt das Modell anstelle der Begründung ein spezielles Token aus und geht direkt zur Trajektorie über. Steht es hingegen einem Fußgänger, einem entgegenkommenden Bus oder einem Verkehrspolizisten gegenüber, erzeugt es eine „Chain-of-Causation“-Argumentation, die die Entscheidung mit deren Ursachen in der Szene verknüpft.

Das Modell wurde aus seinem größeren Pendant Alpamayo 2 Super destilliert: Dieses lieferte die Gedankengänge, die als Trainingsbeispiele dienten. Anschließend trainierte Nvidia das Modell per Reinforcement Learning im geschlossenen Regelkreis im eigenen Simulator AlpaGym, in dem das Modell die Konsequenzen seiner eigenen Entscheidungen erfährt. Laut dem technischen Blogbeitrag verbessert dieser Schritt die Fahrleistung um 48,9 Prozent im Vergleich zum besten Checkpoint, der diesen Prozess nicht durchlaufen hat.

160 bis 190 ms im Auto, 16 GB auf dem PC

Direkt in BF16 heruntergeladen, läuft das Modell in PyTorch auf einer Nvidia-GPU: Die Modellkarte verzeichnet eine Speicherspitze von 12 GiB auf einer H100 und empfiehlt mindestens 16 GB. Für den Echtzeiteinsatz an Bord liefert Nvidia eine Anleitung (FP8-Kalibrierung, TensorRT-Engines, spekulative Dekodierung DFlash2), die auf DRIVE AGX Thor je nach Länge der Urteilsbegründung eine Latenz von 160 bis 190 ms zwischen Bild und Trajektorie erzielt. Das Modell kann zudem freie Fragen zu einer Verkehrsszene beantworten.

Parallel dazu veröffentlicht Nvidia AlpaJudge, ein Modell, das die Qualität von fahrbezogenen Gedankengängen bewertet und an menschlichen Urteilen kalibriert wurde. Es dient der Evaluierung des Modells, der Filterung von Trainingsdaten sowie als Belohnungsfunktion beim Post-Training.

Was noch zu prüfen bleibt

Die Leistungskennzahlen stammen von Nvidia. Die Modellkarte beziffert den Durchschnitt auf 15,15 km zwischen zwei selbstverschuldeten Vorfällen (Verlassen der Fahrbahn oder Kollision) bei 875 simulierten Szenarien. Der Blogbeitrag gibt an, dies sei im Nvidia-Simulator AlpaSim rund 40-mal besser als bei Qwen-Drive-1.0, einem Modell mit 4 Milliarden Parametern. Diese Messungen wurden jedoch in der Simulation auf Basis von Nvidia-Daten ermittelt; über die Sicherheit auf öffentlichen Straßen sagen sie nichts aus. Auch die Rückmeldungen von Partnern (PORT, Niulinx, Embedl) beruhen auf internen Tests. Schließlich setzen die Code-Beispiele des Repositorys auf den Datensatz PhysicalAI-AV von Nvidia auf, der eigenen Zugangsbedingungen unterliegt.