NVIDIA는 Alpamayo 2 Super를 상용 사용 가능하도록 공개하며, 자율주행 개발을 위한 자사 최고 성능 모델로 자처한 모델을 R&D 전용 경로 밖으로 확장했다. 이번 공개로 로보택시 운영사, 완성차 업체, 트럭 제조사, 공급업체는 관대한 오픈 모델 라이선스 하에서 이 모델을 미세조정, 수정, 상업적으로 재배포할 수 있게 됐다.

이 변화가 중요한 이유는 자율주행 팀이 일상적인 인지 작업뿐 아니라 드물고 까다로운 상황까지 대응하도록 개발해야 하기 때문이다. NVIDIA는 Alpamayo 2 Super가 복잡한 교통 상황을 추론하고, 그 결정을 설명하며, 특화 모델이 양산 차량 내 실시간 운용에 맞춰 최적화되기 전에 학습 자료를 생성하도록 설계됐다고 말한다.

연구용 공개에서 상용 라이선스로

Alpamayo 2 Super는 자율주행을 위한 NVIDIA의 Alpamayo 모델군의 일부다. 회사에 따르면 이 모델은 현재 Hugging Face에서 OpenMDW-1.1로 제공되며, 이는 오픈 AI 모델 배포를 위한 Linux Foundation 라이선스다. NVIDIA에 따르면 이 라이선스는 미세조정, 파생 모델 생성, 상업적 재배포를 허용한다.

NVIDIA는 동일한 라이선스 접근 방식이 원래 연구개발용으로 포지셔닝됐던 초기 공개를 포함해 Alpamayo 전체 가족에 적용되고 있다고 말한다. 이는 독자적 차량 데이터로 모델을 조정한 뒤, NVIDIA의 추가 허가 없이 결과 시스템을 배포할 수 있는 직접적인 경로를 만드는 데 목적이 있다.

실질적 가치는 범용 모델을 로보택시에 바로 넘기는 데 있다기보다, 개발팀에 재사용 가능한 기반을 제공하는 데 있다. NVIDIA는 Alpamayo 2 Super가 클라우드에서 추론 궤적, 합성 학습 데이터, 교사 출력을 생성하는 클라우드-투-카 워크플로를 설명한다. 이후 더 작거나 특화된 모델을 증류하고 차량 내 추론용으로 최적화할 수 있다.

회사는 Alpamayo 1과 Alpamayo 1.5를 개발과 증류에 더 비용 효율적인 옵션으로 제시하는 반면, Alpamayo 2 Super는 가장 까다로운 추론 작업을 위한 것이라고 설명한다. NVIDIA는 새 모델이 기존 100억 파라미터 모델의 3배 규모라고 밝히지만, 제공 자료에는 더 큰 규모만으로 차량 행동이 더 안전해진다는 독립적 증거는 제시되지 않았다.

모델이 하도록 설계된 것

NVIDIA는 Alpamayo 2 Super가 전방, 측면, 후방 시야를 결합한 전방위 카메라 커버리지를 처리해 차선 변경, 합류, 비보호 회전, 복잡한 교차로 같은 상황을 분석한다고 말한다. 바로 이런 다중 에이전트 및 롱테일 사례가 기존 학습 데이터에서는 표현하기 어렵다.

이 모델은 운전 상황에 대해 여러 연계된 출력을 생성한다. 여기에는 의사결정 뒤의 추론을 설명하는 인과 연쇄 추적, 양보 또는 차선 변경 같은 메타 행동, 학습과 검증을 위한 자동 생성 추론 라벨, 그리고 카메라 이미지의 특정 영역에 근거한 시각적 질의응답이 포함된다.

이 조합은 모델 행동을 더 쉽게 검토할 수 있게 하려는 목적이다. 개발팀은 시스템이 카메라 프레임에서 무엇을 인식했는지와 선택한 행동을 비교한 뒤, 그 결과를 비평, 검증, 추가 학습에 활용할 수 있다. NVIDIA는 또한 이 모델이 독자적 차량 영상의 자동 라벨러로 작동해 인과 라벨과 근거가 있는 시각 응답을 생성함으로써 학습 데이터 준비 시간을 줄일 수 있다고 말한다.

이번 공개는 NVIDIA Cosmos 3 Super Reasoner를 기반으로 하며 강화학습으로 후학습됐다고 NVIDIA는 밝혔다. 계획과 라벨링 외에도 회사는 장면 이해, 모델 비평, 지식 증류를 지원 작업으로 꼽았다. 이러한 단계 전반에 하나의 기반 모델을 사용하면 AV 팀이 유지해야 할 별도 도구 수를 줄일 수 있지만, 실제 운영상 이점은 각 배포의 지연 시간, 하드웨어 요구사항, 검증 결과에 달려 있다.

성능 주장은 여전히 NVIDIA의 발표에 기반

NVIDIA는 Alpamayo 2 Super가 자율주행 추론 벤치마크인 LingoQA에서 평가 대상 약 40개 모델 중 1위를 차지했다고 말한다. 회사의 Lingo-Judge 지표 테스트에서는 Qwen2.5-VL 72B보다 17점, Gemini 2.5 Pro보다 15.1점, GPT-4o보다 23.2점 높았다고 한다.

이 비교는 공급업체가 보고한 벤치마크 결과로 봐야 한다. 제공된 증거에는 독립적인 재현, 전체 평가 절차, 테스트 분포의 세부 사항, 또는 벤치마크 선두가 상용 차량군 전반의 성능을 예측한다는 증거가 포함되지 않았다. NVIDIA는 또한 Alpamayo 2 Super가 자신들이 평가한 모든 자율주행 벤치마크에서 1위를 차지했다고 말하지만, 이 더 넓은 주장 역시 회사 자체 테스트에 기반한다.

NVIDIA는 Alpamayo 계열을 Hugging Face에서 가장 널리 채택된 오픈 추론 모델로 설명한다. 그러나 원문 자료에는 다운로드 수, 배포 수, 독립적으로 검증된 고객 정보가 제공되지 않아 여기서는 채택 주장을 평가할 수 없다.

모델의 추론 궤적은 안전 엔지니어링에 도움이 될 수 있지만, 그것만으로 차량이 안전하다는 증거가 되지는 않는다. NVIDIA는 인과 연쇄 출력이 NVIDIA Halos 안전 검증 워크플로와 통합되며 ISO/PAS 8800 요구사항에 맞는 작업을 지원한다고 말한다. 이는 의도된 엔지니어링 지원에 대한 설명일 뿐, 로보택시 서비스에 대한 인증이나 규제 승인이라는 뜻은 아니다.

이 공개가 AV 빌더에게 중요한 이유

창업자와 제품팀에게 상용 라이선스는 자율주행 스택에서 추론 모델을 실험하는 장벽을 낮출 수 있다. 팀은 독자적 차량 데이터의 통제권을 유지하고 자체 인프라를 사용하면서, 모델을 특정 운전 정책, 차량 구성, 운영 영역에 맞게 조정할 수 있다.

기업용 AV 프로그램의 핵심 질문은 오픈 모델이 개발 주기를 개선하면서도 수용할 수 없는 컴퓨팅, 통합, 안전 검증 비용을 만들지 않는지 여부다. Alpamayo 2 Super는 더 작은 모델이 최종 운전 작업을 수행하더라도 클라우드 기반 교사 또는 데이터 라벨링 시스템으로 유용할 수 있다. 이런 분업은 개발 단계에서 고급 추론을 경제적으로 만들면서, 차량 내 추론은 실용적인 전력 및 지연 한도 안에 유지할 수 있다.

오픈성은 경쟁 구도도 바꾼다. 상업적으로 사용 가능한 가중치는 공급업체와 자동차 업체가 특화 파생 모델을 만들고, 미세조정과 운영 데이터의 가치를 유지할 수 있게 한다. 동시에 구매자는 오픈 공개를 완성된 자율주행 솔루션으로 볼 것이 아니라, 라이선스 의무, 모델 출처, 하드웨어 호환성, 실패 동작, 지원 책임을 평가해야 한다.

가장 어려운 기술 문제는 여전히 드문 사건의 검증이다. 왜 그 행동을 선택했는지 설명하는 모델은 장애 조사에 도움이 될 수 있지만, 설명의 품질이 인과적 정확성을 보장하지는 않는다. 팀은 여전히 폐쇄 루프 테스트, 시나리오 커버리지, 안전 사례, 그리고 모델이 불확실하거나 시각적 근거가 틀린 상황에 대한 통제가 필요하다.

다음에 주목할 점

다음 신호는 Alpamayo 2 Super의 주행 시나리오에 대한 독립적 평가가 될 것이며, 특히 표준 인지 벤치마크에 나타나지 않는 롱테일 상호작용이 중요하다. 실제 차량군 파일럿의 증거도 이 모델의 클라우드-투-카 워크플로가 NVIDIA 자체 시연 외부에서 라벨링 및 반복 시간을 줄이는지 명확히 해줄 것이다.

개발자들은 추론 하드웨어, 지연 시간, 메모리 요구사항, 그리고 증류된 양산 모델의 크기 관련 세부 사항을 주시해야 한다. 이러한 요소가 이 모델이 주로 강력한 개발 및 자동 라벨링 도구인지, 아니면 차량 측 의사결정 시스템에 직접 기여할 수 있는지를 결정한다.

규제 및 안전 증거도 또 다른 중요한 시험이 될 것이다. NVIDIA가 NVIDIA Halos와 ISO/PAS 8800 정렬을 언급한 점은 파트너가 검증 방법, 감사 결과, 배포 문서를 공개할 경우 더 의미가 커질 수 있다. 마지막으로, 검증된 다운로드 수, 파생 모델, 상업 배포 데이터는 폭넓은 생태계 활용과 초기 관심을 받는 오픈 공개를 구분하는 데 도움이 될 것이다.

Creati.ai 관점

NVIDIA의 발표가 중요한 이유는 오픈 모델 가중치를 자율주행의 상용 개발 경로와 연결했기 때문이지, 추론 모델이 로보택시 안전을 독립적으로 해결할 수 있음을 입증했기 때문은 아니다. 가장 즉각적인 활용처는 클라우드 기반 교육, 차량 데이터 라벨링, 시나리오 분석, 모델 비평일 가능성이 높으며, 이 영역에서는 팀이 차량 내부보다 더 높은 컴퓨팅 비용을 감수할 수 있다.

전략적 시험대는 오픈성이 엄격한 검증을 유지하면서 개발 속도와 배포 통제에서 측정 가능한 향상을 가져오는지 여부다. 개발자들이 Alpamayo 2 Super의 추론 및 라벨링 출력을 더 작고 신뢰할 수 있는 차량 모델로 전환할 수 있다면, NVIDIA는 오픈 AV 스택에 대한 더 강한 근거를 제시하게 된다. 독립적 결과와 상업적 배포가 나오기 전까지는, 벤치마크와 채택 주장은 확립된 증거와 분명히 구분되어야 한다.