Адаптивное рассуждение и архитектура
NVIDIA Alpamayo 2 Edge — это модель Vision-Language-Action (VLA) с 2 миллиардами параметров, построенная на базе Nemotron и интегрированная с экспертом диффузионных действий. Ключевая инновация — адаптивное рассуждение: модель генерирует цепочки причинно-следственных связей (Chain-of-Causation, CoC) только в сложных ситуациях. В рутинных сценариях она выдает токен <NOMINAL>, экономя вычислительные ресурсы и снижая задержку.
Модель обрабатывает данные с камер кругового обзора, историю движения и навигационные инструкции. Для ускорения инференса используется спекулятивная декодировка с DFlash2 и оптимизация через TensorRT-Edge-LLM.
Результаты обучения и бенчмарки
Модель прошла пост-обучение с закрытым контуром (closed-loop RL) в симуляторе AlpaGym. Это позволило улучшить показатели замкнутого цикла вождения на 48.9% по сравнению с контрольной выборкой без RL. Оценка качества рассуждений проводится через модель AlpaJudge, калиброванную человеком.
| Метрика / Характеристика | Alpamayo 2 Edge (2B) | Qwen-Drive-1.0 (4B) / Предшественники |
|---|---|---|
| Количество параметров | 2B | 4B (Qwen-Drive-1.0) |
| Улучшение RL (closed-loop) | +48.9% | — |
| Безопасность (AlpaSim) | ~40x расстояние до инцидентов | — |
| Скорость инференса (Embedl) | 10 Гц на AGX Thor | — |
| Обобщение (Zero-shot) | minADE -13.6%, RMSE -46.1% | vs Alpamayo 2 Super |
Опыт партнеров
Ранние тесты с партнерами показали впечатляющие результаты:
- PORT: Модель удерживала полосу в 2 раза чаще, чем Alpamayo 1.5, и планировала маршрут в 2 раза быстрее серверной версии на том же GPU.
- Niulinx: После дообучения на собственных данных ошибка смещения (displacement error) снизилась еще на 44.2%.
- Embedl: Успешно запустила модель на 10 Гц на реальном оборудовании AGX Thor за 48 часов.
Доступность
Модель доступна в репозитории NVIDIA на Hugging Face в формате BF16. Разработчики могут использовать скрипты инференса для интеграции в свои стеки автономного вождения, опираясь на открытые веса и инструменты оптимизации NVIDIA.
Источник: NVIDIA dev blog ↗