英伟达发布Alpamayo 2 Super开源自动驾驶模型 引发开源闭源辩论

英伟达于2026年发布Alpamayo 2 Super模型，参数规模34B，由32B视觉语言模型骨干与2.3B扩散动作解码器组成。该模型在Hugging Face平台以OpenMDW-1.1许可发布，支持商业使用、微调和衍生模型再分发。

模型能力与基准表现

Alpamayo 2 Super输入六路环视相机视频、文本和自车运动历史，单次推理输出64个未来航点轨迹、因果解释痕迹、元动作标签以及视觉问答结果。在LingoQA评测中Lingo-Judge得分79.2，领先Qwen2.5-VL 72B 17分，领先Gemini 2.5 Pro 15.1分。闭环仿真AlpaSim得分1.50±0.13，开环最小平均位移误差在6.4秒时为0.911米。

训练数据包含115000小时多相机驾驶视频、超过10亿张图像以及370万条结构化因果链痕迹。这些痕迹将观察、推理与动作决策显式关联。

许可变化带来的实际影响

早期Alpamayo版本仅限研发用途，此次OpenMDW-1.1许可覆盖整个模型家族，开发者无需额外授权即可将微调后的模型部署到量产车辆。许可条款允许保留自有数据和基础设施控制权。

开源权重使团队无需从头训练基础能力即可构建高级推理系统，同时避免前沿闭源模型按任务计费的成本。

开源与闭源阵营的实质分歧

此次发布直接点名Anthropic等闭源厂商，双方支持者围绕“可验证性”与“性能上限”展开对立。支持开源一方强调，完整权重与因果痕迹可接入NVIDIA Halos等安全验证工具链，实现决策过程审计；支持闭源一方则认为，当前开源模型在极端长尾场景的泛化能力落后于封闭训练的更大规模系统。

从产业落地角度看，Alpamayo 2 Super的开源路径降低了机器人出租车与干线卡车项目的进入门槛。开发者可利用云端生成合成轨迹与教师输出，再蒸馏出适合车端部署的轻量模型。

深层驱动因素

长尾场景处理是自动驾驶商业化的核心瓶颈。传统感知预测栈难以覆盖罕见多智能体交互，而Alpamayo 2 Super通过强化学习后训练直接生成可解释的因果链，试图将“黑箱决策”转化为可追溯的推理过程。这一设计反映出行业从规则驱动向数据驱动再向可验证推理驱动的转变。

英伟达同时开放数据集与仿真框架，意图构建围绕其Cosmos平台的开发者生态。商业许可的放开，实质上是将模型能力转化为可积累的行业 know-how，而非一次性API调用。

独立判断

Alpamayo 2 Super的开源商业许可在当前阶段已具备实际部署条件，其基准数据与许可条款均来自官方公开材料。未来竞争焦点将集中于微调后模型在真实车队中的长尾覆盖率与安全验证闭环效率，而非单纯参数规模或许可形式。