英伟达推出车载 AI 模型 Alpamayo 2 Edge：20 亿参数适配 Thor 平台，车端实时推理生成驾驶轨迹
英伟达面向车端部署推出 Alpamayo 2 Edge 车载驾驶 AI 模型，这是一款 20 亿参数的自适应推理视觉 - 语言 - 动作（VLA）模型，可在 NVIDIA DRIVE AGX Thor 车载计算平台上实时运行，一边接收环视摄像头画面、导航指令和自车运动历史，一边完成场景理解、因果链推理并输出未来驾驶轨迹，也就是在开车过程中本地完成推理，不依赖云端回传。模型骨干基于 NVIDIA Cosmos 3 Edge 的 2B Nemotron 推理架构，搭配扩散动作专家生成轨迹；为了在车载算力和延迟预算内跑起来，它采用自适应推理策略，只在需要时生成推理过程，减少常规驾驶下的无效 token 开销，再配合离线蒸馏、闭环强化学习、多分辨率输入、DFlash2 推测解码和 TensorRT 量化加速。官方技术博客给出的参考数据显示，优化后的模型在 DRIVE AGX Thor-X 上像素到轨迹的推理延迟为 160—190 毫秒，设计运行频率 10Hz；闭环强化学习后，驾驶表现比未做闭环 RL 的最佳检查点提升 48.9%。它与 340 亿参数的 Alpamayo 2 Super 形成分工：Super 是云侧教师模型，负责规划、场景理解、自动标注和训练小车模型，Edge 是蒸馏压缩后上车的学生模型。需要明确，该模型是面向车企和自动驾驶开发者的车端 AI 基础能力，量产装车仍需经过厂商数据微调、安全验证和法规审批，不等同于已落地的自动驾驶系统。
一、模型定位与核心规格
| 项目 | Alpamayo 2 Edge |
|---|---|
| 厂商 | NVIDIA（英伟达） |
| 产品系列 | NVIDIA Alpamayo 开放式推理 VLA 模型家族 |
| 模型类型 | 自适应推理视觉 - 语言 - 动作（VLA）车端模型 |
| 参数量 | 20 亿（2B） |
| 推理骨干 | 基于 Cosmos 3 Edge 的 2B Nemotron 推理骨干 |
| 动作生成 | 扩散动作专家（Diffusion Action Expert） |
| 目标硬件 | NVIDIA DRIVE AGX Thor |
| 设计运行频率 | 10Hz |
| 参考延迟 | Thor-X 上像素到轨迹 160—190ms（视推理量而定） |
| 配套评估 | AlpaJudge 人工校准评估与奖励模型 |
二、输入输出与工作流程
1. 模型输入
- 环视多摄像头视频画面。
- 时序上下文与历史帧。
- 导航指令（文本 / 导航引导）。
- 自车运动历史（ego-motion history）。
- 可选视觉问答（VQA）输入。
2. 模型输出
- 未来驾驶轨迹（轨迹控制点序列）。
- 因果链（Chain-of-Causation, CoC）推理文本，说明决策依据。
- 元动作预测。
- 视觉问答答案与 2D 定位框（按任务需要）。
3. 上车推理步骤
- 环视摄像头持续采集多视角画面，系统做多分辨率编码。
- 模型结合导航指令和历史自车运动状态理解当前场景。
- 判断是否需要展开因果推理；常规路况直接输出轨迹，复杂场景再生成推理链。
- 扩散动作专家生成候选驾驶轨迹。
- 策略评估器与安全监控参与轨迹选择，降低风险。
- 推理结果通过车载运行时输出给车辆控制链路。
三、关键技术手段
1. 模型压缩与效率
- 离线蒸馏：用 Alpamayo 2 Super 生成的因果链自动标注训练 Edge 模型，把大模型能力压缩到 2B 车端规模。
- 自适应推理：按需生成推理过程，节省常规驾驶下的车载算力和 token 开销。
- 多分辨率输入：在线高效编码环视观测，降低处理负担。
- 推测解码：借助 DFlash2 加速在线推理，不牺牲推理质量。
- 量化与编译：提供 TensorRT 与 TensorRT Edge-LLM 量化、推理加速方案。
2. 训练与评估
| 环节 | 工具 / 方法 | 说明 |
|---|---|---|
| 闭环强化学习后训练 | AlpaGym | 在仿真闭环中按动作后果端到端学习，闭环驾驶性能较最佳 checkpoint 提升 48.9% |
| 闭环仿真评估 | AlpaSim | 测试驾驶决策与安全表现 |
| 推理质量评估 | AlpaJudge | 人工校准，分参考型（RB）与无参考型（RF），评分推理轨迹、筛选高价值样本、提供 RL 奖励 |
| 数据来源 | NVIDIA Physical AI 开放数据集 | 25 个国家 / 地区多传感器真实驾驶数据，配因果链推理标签 |
3. 基准对比（官方口径）
- 对比对象：Qwen-Drive-1.0（4B 参数）。
- 对比维度：闭环驾驶、开环轨迹预测、场景理解与推理。
- 仿真表现：在 AlpaSim 中，有责事故间隔距离约为对比模型的 60 倍。
四、与 Alpamayo 2 Super 的分工
| 维度 | Alpamayo 2 Edge | Alpamayo 2 Super |
|---|---|---|
| 参数量 | 20 亿（2B） | 340 亿（34B） |
| 部署位置 | 车端（DRIVE AGX Thor） | 云侧 / 开发端 |
| 角色 | 蒸馏后的学生模型，实时上车推理 | 教师基础模型，规划、标注、训练小车模型 |
| 主要任务 | 场景理解、运动规划、轨迹生成 | 驾驶预测、场景理解、自动标注、模型训练 |
| 许可方式 | 开放权重供开发者优化部署 | 商业许可，可直接用于开发 |
五、早期合作方反馈（官方披露口径）
| 合作方 | 反馈要点 |
|---|---|
| PORT | 早期接入后数天即在伦敦街景重建的闭环仿真中跑通；保持车道次数为 Alpamayo 1.5 的两倍以上，车道偏移恢复率高约 40%，开箱规划速度约为手工调优的 1.5 服务器模型两倍 |
| Niulinx | 零样本评估中，位移误差（minADE）较 Alpamayo 2 Super 降低 13.6%，3 秒横向预测误差（RMSE）降低 46.1%；自有数据微调后位移误差再降 44.2%，数天内完成首台实车测试 |
| Embedl | 不到 48 小时即在 AGX Thor 上把模型跑到 10Hz，实现实时规划 |
六、开发与部署路径
- 从开放渠道获取 Alpamayo 2 Super 权重，生成轨迹与推理标注。
- 用自有驾驶数据微调模型，配合强化学习后训练。
- 通过离线蒸馏和量化压缩出车端学生模型。
- 按 Alpamayo Developer Hub 的部署配方，在 DRIVE AGX Thor 上完成 FP8 标定、ONNX 导出、TensorRT 引擎构建。
- 在 AlpaSim 闭环仿真与真实数据重建场景中验证行为。
- 结合 Halos 安全框架、策略评估器和安全监控，规划量产安全与认证路径，取得商业生产授权。
【常见问题】
问题 1：英伟达 Alpamayo 2 Edge 是什么，为什么能在车端边开车边推理？
回答 1：Alpamayo 2 Edge 是英伟达推出的 20 亿参数车载 AI 推理 VLA 模型，专门为 DRIVE AGX Thor 车端计算平台优化；它接收环视摄像头画面、导航指令和自车运动历史，在本地完成场景理解、因果链推理并生成驾驶轨迹。模型采用自适应推理、离线蒸馏、多分辨率输入、DFlash2 推测解码和 TensorRT 量化压缩，把大模型能力压到车载算力预算内，从而实现车端实时推理。
问题 2：Alpamayo 2 Edge 在车载芯片上的实时性和性能表现如何？
回答 2：官方技术博客显示，按部署配方优化后，Alpamayo 2 Edge 在 DRIVE AGX Thor-X 上的像素到轨迹推理延迟为 160—190 毫秒，设计运行频率 10Hz；闭环强化学习后驾驶表现较未做闭环 RL 的最佳检查点提升 48.9%，在 AlpaSim 仿真中有责事故间隔距离约为 4B 对比模型 Qwen-Drive-1.0 的 60 倍，具体实车表现还需结合厂商数据和路测验证。
问题 3：Alpamayo 2 Edge 和 Alpamayo 2 Super 有什么区别？
回答 3：两者是 Alpamayo 模型家族中的车端学生模型与云侧教师模型分工：2 Edge 为 20 亿参数，蒸馏压缩后在 DRIVE AGX Thor 上做实时场景理解和轨迹生成；2 Super 为 340 亿参数，部署在云侧，用于驾驶预测、场景理解、自动标注和训练小型驾驶模型，提供商业许可，Edge 的离线蒸馏标注即来自 Super 生成的因果链推理。
问题 4：普通消费者使用搭载 Alpamayo 2 Edge 的车辆，是否就等于拥有自动驾驶？
回答 4：不能等同。Alpamayo 2 Edge 是面向车企和自动驾驶开发者提供的车端 AI 基础模型，量产装车需要整车厂用自有道路数据微调、通过仿真与实车安全验证、完成监管审批，并配合策略评估器、安全监控和 Halos 安全体系；当前公开的延迟、误差和事故间隔等数据来自官方仿真与早期合作方评估，不代表已获得量产自动驾驶资质，实际辅助驾驶能力以车企量产版本和法规认定为准。
【参考资料】
- [2026-11-10]（Running AV Reasoning Models Within Onboard Compute and Latency Limits）NVIDIA Technical Blog
- [2026-10-21]（欧洲出行领先企业基于 NVIDIA Hyperion 构建安全的汽车和无人出租车车队）NVIDIA 英伟达博客
- [2026-10-20]（October 20, 2026 | NVIDIA NIM for Alpamayo Documentation）NVIDIA Docs
- [2026-11-10]（面向无人驾驶出租车和智能汽车的开放模型 | NVIDIA Alpamayo）NVIDIA 中国官网
- [2026-11-10]（Open Models for Robotaxis and Autonomous Vehicles | NVIDIA Alpamayo）NVIDIA 英文官网
【免责声明】
本文内容基于英伟达官方技术博客、官网产品页及公开文档整理。Alpamayo 2 Edge 为面向开发者的车端 AI 模型方案，文中参数、延迟、性能提升、事故间隔倍数及合作方反馈均来自官方仿真或早期评估口径，不同传感器配置、道路场景、模型微调程度和硬件版本下结果会有差异；模型本身不等于具备量产自动驾驶资质，不构成对任何车型辅助驾驶或自动驾驶能力的承诺。量产落地需经整车厂商适配、安全验证、法规审批与市场认证，本文不构成购车或技术选型建议，最终以英伟达及整车厂官方发布为准。