NVIDIA a rendu Alpamayo 2 Super disponible pour un usage commercial, faisant passer son modèle le plus capable déclaré pour le développement de la conduite autonome au-delà d’une voie réservée à la R&D. Cette publication donne aux exploitants de robotaxis, aux constructeurs automobiles, aux fabricants de camions et aux fournisseurs l’autorisation d’affiner, d’adapter et de redistribuer commercialement le modèle sous une licence ouverte permissive.

Ce changement est important, car les équipes de véhicules autonomes doivent développer pour des événements rares et difficiles, et pas seulement pour des tâches de perception routinières. NVIDIA affirme qu’Alpamayo 2 Super est conçu pour raisonner sur des situations de circulation complexes, expliquer ses décisions et générer du matériel d’entraînement avant que des modèles spécialisés soient optimisés pour une utilisation en temps réel à bord des véhicules de production.

De la publication de recherche à la licence commerciale

Alpamayo 2 Super fait partie de la famille de modèles Alpamayo de NVIDIA pour la conduite autonome. L’entreprise indique que le modèle est désormais disponible sur Hugging Face sous OpenMDW-1.1, une licence de la Linux Foundation pour les distributions ouvertes de modèles d’IA. Selon NVIDIA, la licence autorise le fine-tuning, la création de modèles dérivés et la redistribution commerciale.

NVIDIA précise que la même approche de licence est appliquée à l’ensemble de la famille Alpamayo, y compris les versions antérieures initialement positionnées pour la recherche et le développement. Cela vise à créer une voie directe allant de l’adaptation d’un modèle avec des données propriétaires de flotte au déploiement d’un système résultant sans demander d’autorisations supplémentaires à NVIDIA.

La valeur pratique consiste moins à remettre directement un modèle généraliste à un robotaxi qu’à fournir aux équipes de développement une base réutilisable. NVIDIA décrit un flux de travail du cloud à la voiture dans lequel Alpamayo 2 Super génère des traces de raisonnement, des données d’entraînement synthétiques et des sorties de professeur dans le cloud. Des modèles plus petits ou spécialisés peuvent ensuite être distillés et optimisés pour l’inférence embarquée.

L’entreprise présente Alpamayo 1 et Alpamayo 1.5 comme des options plus rentables pour le développement et la distillation, tandis qu’Alpamayo 2 Super est destiné aux charges de raisonnement les plus exigeantes. NVIDIA indique que le nouveau modèle est trois fois plus grand que ses prédécesseurs de 10 milliards de paramètres, bien que l’entreprise n’ait pas fourni dans le matériel remis de preuve indépendante montrant qu’une plus grande échelle entraîne à elle seule un comportement plus sûr du véhicule.

Ce que le modèle est conçu pour faire

NVIDIA affirme qu’Alpamayo 2 Super traite une couverture caméra complète à 360 degrés, en combinant les vues avant, latérales et arrière pour analyser des situations telles que les changements de voie, les insertions, les virages non protégés et les intersections complexes. Ce sont précisément les cas multi-agents et de longue traîne qui peuvent être difficiles à représenter dans des données d’entraînement conventionnelles.

Le modèle produit plusieurs sorties liées pour une situation de conduite. Elles comprennent une trace de chaîne de causalité décrivant le raisonnement derrière une décision, une méta-action telle que céder le passage ou changer de voie, des étiquettes de raisonnement générées automatiquement pour l’entraînement et la validation, ainsi que des réponses de question-réponse visuelle ancrées dans des régions spécifiques des images de caméra.

Cette combinaison vise à rendre le comportement du modèle plus inspectable. Une équipe de développement peut comparer ce que le système a identifié dans une image de caméra avec l’action qu’il a sélectionnée, puis utiliser le résultat pour la critique, la validation ou un entraînement supplémentaire. NVIDIA affirme également que le modèle peut servir d’autolabeler pour des images de flotte propriétaires, en générant des étiquettes causales et des réponses visuelles ancrées susceptibles de réduire le temps nécessaire à la préparation des données d’entraînement.

La publication s’appuie sur NVIDIA Cosmos 3 Super Reasoner et a été post-entraînée par apprentissage par renforcement, selon NVIDIA. En plus de la planification et de l’étiquetage, l’entreprise cite la compréhension de scène, la critique de modèle et la distillation de connaissances comme tâches prises en charge. Utiliser un seul modèle de base à travers ces étapes pourrait réduire le nombre d’outils séparés qu’une équipe AV doit maintenir, mais le bénéfice opérationnel dépendra de la latence, des besoins matériels et des résultats de validation dans chaque déploiement.

Les performances restent rapportées par NVIDIA

NVIDIA affirme qu’Alpamayo 2 Super se classe premier sur LingoQA, un benchmark de raisonnement pour la conduite autonome, parmi près de 40 modèles évalués. Lors des tests de l’entreprise avec la métrique Lingo-Judge, il aurait obtenu 17 points de plus que Qwen2.5-VL 72B, 15,1 points de plus que Gemini 2.5 Pro et 23,2 points de plus que GPT-4o.

Ces comparaisons doivent être considérées comme des résultats de benchmark communiqués par le fournisseur. Les éléments fournis n’incluent pas de reproduction indépendante, de protocole d’évaluation complet, de détails sur la distribution des tests ni de preuve que la supériorité dans les benchmarks prédit les performances à travers des flottes commerciales. NVIDIA affirme également qu’Alpamayo 2 Super se classe premier dans tous les benchmarks de conduite autonome qu’elle a évalués, mais cette affirmation plus large repose elle aussi sur ses propres tests.

NVIDIA décrit la famille Alpamayo comme les modèles de raisonnement ouverts pour la conduite autonome les plus adoptés sur Hugging Face. Aucun chiffre de téléchargement, nombre de déploiements ou information client vérifiée indépendamment n’ayant été fourni dans le matériel source, cette affirmation d’adoption ne peut pas être évaluée ici.

Les traces de raisonnement du modèle peuvent aider l’ingénierie de sécurité, mais elles ne prouvent pas à elles seules qu’un véhicule est sûr. NVIDIA affirme que les sorties de chaîne de causalité s’intègrent aux workflows de validation de sécurité NVIDIA Halos et soutiennent des travaux alignés sur les exigences ISO/PAS 8800. Il s’agit d’une déclaration sur une assistance technique prévue, et non d’une certification ou d’une approbation réglementaire pour un service de robotaxi.

Pourquoi cette publication compte pour les constructeurs AV

Pour les fondateurs et les équipes produit, la licence commerciale pourrait abaisser une barrière à l’expérimentation de modèles de raisonnement dans les piles de conduite autonome. Les équipes peuvent conserver le contrôle des données propriétaires de flotte et utiliser leur propre infrastructure, tout en adaptant le modèle à des politiques de conduite, des configurations de véhicules et des domaines d’exploitation spécifiques.

Pour les programmes AV d’entreprise, la question principale sera de savoir si le modèle ouvert améliore la boucle de développement sans créer des coûts inacceptables en calcul, intégration ou validation de sécurité. Alpamayo 2 Super peut être utile comme professeur basé dans le cloud ou système d’étiquetage de données, même lorsqu’un modèle plus petit réalise la tâche finale de conduite. Cette séparation pourrait rendre le raisonnement avancé abordable en développement tout en maintenant l’inférence embarquée dans des limites pratiques de puissance et de latence.

L’ouverture modifie également le calcul concurrentiel. Des poids utilisables commercialement permettent aux fournisseurs et aux constructeurs automobiles de créer des dérivés spécialisés et de conserver la valeur de leur réglage fin et de leurs données opérationnelles. Dans le même temps, les acheteurs devront évaluer les obligations de licence, la provenance du modèle, la compatibilité matérielle, le comportement en cas de défaillance et les responsabilités de support, plutôt que de considérer la disponibilité ouverte comme une solution d’autonomie achevée.

Le problème technique le plus difficile reste la validation des événements rares. Un modèle qui explique pourquoi il a choisi une action peut faciliter l’enquête sur les défaillances, mais la qualité de l’explication ne garantit pas l’exactitude causale. Les équipes devront toujours recourir à des tests en boucle fermée, à une couverture de scénarios, à des dossiers de sécurité et à des contrôles pour les situations où le modèle est incertain ou où son ancrage visuel est erroné.

Ce qu’il faut surveiller ensuite

Les prochains signaux seront des évaluations indépendantes d’Alpamayo 2 Super sur des scénarios de conduite, en particulier des interactions de longue traîne qui ne sont pas représentées dans les benchmarks de perception standard. Des preuves issues de pilotes de flotte réels clarifieraient également si le flux de travail du cloud à la voiture du modèle réduit le temps de labellisation et d’itération en dehors des démonstrations de NVIDIA.

Les développeurs devraient surveiller les détails concernant le matériel d’inférence, la latence, les besoins mémoire et la taille des modèles de production distillés. Ces facteurs détermineront si le modèle est principalement un outil puissant de développement et d’autolabellisation ou s’il peut contribuer directement aux systèmes de décision embarqués dans le véhicule.

Les preuves réglementaires et de sécurité constitueront un autre test important. Les références de NVIDIA à NVIDIA Halos et à l’alignement ISO/PAS 8800 pourraient prendre davantage de sens si les partenaires publient des méthodes de validation, des résultats d’audit ou une documentation de déploiement. Enfin, des données vérifiées sur les téléchargements, les modèles dérivés et les déploiements commerciaux aideraient à distinguer une adoption large par l’écosystème d’une publication ouverte suscitant un intérêt initial.

Perspective de Creati.ai

L’annonce de NVIDIA est significative parce qu’elle relie des poids de modèle ouverts à une voie de développement commerciale pour les véhicules autonomes, et non parce qu’elle prouve qu’un modèle de raisonnement peut résoudre seul la sécurité des robotaxis. Les cas d’usage immédiats les plus solides seront probablement l’enseignement basé sur le cloud, l’étiquetage des données de flotte, l’analyse de scénarios et la critique de modèle, où les équipes peuvent accepter des coûts de calcul plus élevés qu’à bord d’un véhicule.

Le test stratégique consistera à savoir si l’ouverture produit des gains mesurables en vitesse de développement et en contrôle du déploiement tout en préservant une validation rigoureuse. Si les constructeurs peuvent transformer les sorties de raisonnement et d’étiquetage d’Alpamayo 2 Super en modèles embarqués plus petits et fiables, NVIDIA aura présenté un argument plus fort en faveur d’une pile AV ouverte. Tant que des résultats indépendants et des déploiements commerciaux n’apparaissent pas, ses affirmations sur les benchmarks et l’adoption devraient rester clairement séparées des preuves établies.