NVIDIA、ロボタクシーと自動運転向けオープンな34Bビジョン・ランゲージ・アクションモデル「Alpamayo 2 Super」を公開

NVIDIAは、自動運転向けの34Bパラメータの視覚言語行動（VLA）モデルであるAlpamayo 2 Superを発表しました。これは、寛容なOpenMDW-1.1ライセンスのもとで公開されています。このモデルは、NVIDIA Cosmos 3 Super Reasonerをベースにした32BのVLMバックボーンと、2.3Bの拡散ベースの行動デコーダを組み合わせており、ロングテールでマルチエージェントの運転シナリオを処理するように設計されています。全周囲カメラ映像への単一パスから、計画された軌道、因果説明（因果連鎖トレース）、およびメタアクションを生成します。重みはOpenMDW-1.1のもとで公開され、ソースコードはApache 2.0のもとで公開されており、商用利用、ファインチューニング、再配布が許可されています。学習データには、約115,000時間のマルチカメラ運転映像、370万件の因果連鎖トレース、および10億枚以上の画像が含まれています。LingoQAでは、Lingo-Judgeで79.2をスコアし、Qwen2.5-VL 72Bを17.0ポイント、Gemini 2.5 Proを15.1ポイント、GPT-4oを23.2ポイント上回っています。AlpaSimを用いたクローズドループ評価では、910シナリオでAlpaSimスコア1.50 ± 0.13を達成し、937サンプルでのオープンループ評価では、6.4秒時点のminADE₆が0.911メートルでした。このモデルはまた、自動ラベリングをサポートし、アノテーションサイクルを数か月から数日に短縮し、安全性検証のためにNVIDIA Halosと統合されています。