本文要点
- Alpamayo 2 Super 从公告表述的研发模型，转为可按开放商用许可评估的开发候选。
- 微调、衍生模型和商业再分发被写入公开许可范围。
- 模型被明确放进云端推理、合成数据和车端蒸馏相衔接的开发流程。
阅读辅助
先看数字、证据和来源，再读正文。
Alpamayo 2 Super 的当日新增状态是可用于商业用途，而非仅限研发试用。
2026-08-04 · NVIDIA 发布 Alpamayo 2 Super 商用公告，并称该模型现可用于商业用途。
NVIDIA 在 2026 年 8 月 4 日宣布 Alpamayo 2 Super “现可用于商业用途”。这次新闻的核心不是自动驾驶已经获得通行证，而是一个面向 Robotaxi 与自动驾驶开发的开放推理模型，开始以允许商用的许可状态进入工程评估范围。许可证、训练与蒸馏路径、基准成绩和车辆上路是四个不同层次，不能压缩成同一句“自动驾驶模型可量产”。
公告称，Alpamayo 2 Super 基于 NVIDIA Cosmos 3 Super Reasoner，并经过强化学习后训练。它被放在云端开发工作流中：生成推理轨迹、合成训练数据和教师输出，再将结果蒸馏为更适合车端实时推理的模型。这个描述说明厂商重点是把大模型推理服务于研发与验证链条，不是声称一套权重单独构成完整的自动驾驶系统。
可以明确的变化有两项。第一，NVIDIA 称模型现在可以商业使用。第二，公告把 OpenMDW-1.1 许可的微调、衍生模型和商业再分发范围扩展到整个 Alpamayo 家族。对于需要用专有车队数据、定制驾驶策略和供应商合作的团队，许可从研究限制转向商用评估，会直接影响是否值得投入集成工作。
仍需保留若干不确定项。NVIDIA 给出的 LingoQA 排名、与其他模型的分数差距、下载量和“更接近生产部署”等表述都是厂商公告中的材料。它们能描述公司主张的能力与方向，却不能代替独立道路测试、车辆系统安全论证、地区监管批准或保险与责任安排。读者应把这次公告视作开发工具链的状态变化，而不是 Robotaxi 已完成安全验证的证明。
商用许可改变的是什么
自动驾驶开发常常同时受模型权重、训练数据、仿真工具、车端硬件和道路法规约束。一个模型开放权重并不天然允许商业使用；即便允许商业使用，也不意味着所有衍生模型、服务方式和再分发都没有限制。NVIDIA 此次把 OpenMDW-1.1 放在公告中心，正是为了回答模型能否从内部研究进入商业开发流程这一问题。
按公告描述，该许可允许微调、创建衍生模型和商业再分发。NVIDIA 还称，OpenMDW 许可将覆盖整个 Alpamayo 模型家族，让开发者无需额外许可即可商业部署模型。这里的“部署”应严格理解为许可与模型使用权层面：汽车厂商、Robotaxi 团队、卡车公司和供应商可以据此评估本地数据适配和产品集成；每一方仍需自行完成车辆安全、数据合规和地区审批。
| 层次 | 公告确认的内容 | 不能据此推出 |
|---|---|---|
| 模型许可 | Alpamayo 2 Super 现可商业使用；公告称 OpenMDW-1.1 覆盖微调、衍生模型和商业再分发 | 任何国家或道路场景都自动允许运营 |
| 开发流程 | 可在云端生成推理轨迹、合成训练数据和教师输出，再进行蒸馏 | 车端模型已具备统一的实时性能或安全等级 |
| 模型能力 | 厂商称支持全环视摄像头输入与多任务输出 | 单模型已替代规划、控制、冗余与安全监控系统 |
| 生产主张 | 厂商称有助于走向生产和大规模部署 | 已取得监管批准、商业车队已安全运营 |
许可的价值还在于降低专业化成本。车队或供应商可以把模型适配到自己的传感器、数据分布和驾驶政策，而不必为每种任务都重新训练一套基础能力。NVIDIA 将这种路径描述为“云端前沿推理 + 车端高效专用模型”：大模型留在开发环境中生成标签、解释和教师输出，蒸馏后的小模型才承担实时推理。这个安排能降低车端成本，但也把性能迁移、蒸馏损失和验证责任留给采用方。
基准成绩为何不能直接变成安全结论
公告称 Alpamayo 2 Super 在 LingoQA 自动驾驶推理基准的近 40 个模型中排名第一；按 NVIDIA 的 Lingo-Judge 测试，它比 Qwen2.5-VL 72B 高 17.0 分、比 Gemini 2.5 Pro 高 15.1 分、比 GPT-4o 高 23.2 分。厂商还称它在评估的全部自动驾驶基准中居首。这些数字可以作为厂商对模型定位的具体证据，但它们的比较基线、模型版本、提示方式、数据处理和统计误差都需要独立材料。
特别是在自动驾驶场景，理解问题、生成解释和真正执行安全轨迹并非同一任务。一个模型在问答基准中辨识得更好，不能自动证明它在雨雪、传感器遮挡、施工路段、跨区域规则或罕见多主体互动中会做出更安全的系统决策。NVIDIA 自己也将难点描述为罕见、复杂且难以预见的长尾事件；这恰好说明基准之外仍需大量闭环仿真、真实数据回放和受控道路验证。
| 公告指标 | NVIDIA 的表述 | 编辑解读的边界 |
|---|---|---|
| LingoQA | 在近 40 个评估模型中排名第一 | 属于厂商测试结果，需独立复现与版本核对 |
| Qwen2.5-VL 72B 差距 | Lingo-Judge 高 17.0 分 | 不能换算为道路事故率、接管率或法规合规性 |
| 模型规模 | 约为 10B Alpamayo 1 与 1.5 的三倍 | 参数量不直接说明车端延迟、能耗或安全冗余 |
| 家族下载量 | Hugging Face 超 50 万下载 | 下载量不是商业部署数量或安全验证数量 |
五类输出放在开发流程的哪里
NVIDIA 将 Alpamayo 2 Super 描述为多任务基础模型。公告列出的输出包括规划轨迹、解释决策的因果链轨迹、元动作、用于训练与验证数据的推理自动标注，以及带 2D visual grounding 的视觉问答。全环视摄像头输入使模型能将车前、侧面和后方画面一起纳入推理，这对并线、汇入、无保护转弯和复杂路口的语境理解有帮助。
这套输出更接近研发层的“可解释接口”。轨迹可以用于分析计划，因果链和元动作有助于审查模型意图，自动标注可加快从车队视频到训练数据的转化，视觉问答可帮助定位模型所依据的画面区域。公告称这些能力可以把标注周期从数月压缩到数天，但这仍是厂商对工作流收益的表述；具体节省多少人工、是否引入系统性偏差、能否覆盖罕见风险，都取决于数据和验证方案。
NVIDIA 还称其因果链轨迹可接入 NVIDIA Halos 安全验证工作流，并支持与 ISO/PAS 8800 要求对齐的安全工程。这里需要保留“可接入”和“支持对齐”的原义。它们表示模型输出能进入某种安全工程流程，不能表述为模型本身已经通过标准认证，或任何采用者都自动满足法规。标准、流程、工具和最终车辆责任始终需要分别核验。
接下来该如何评估
对模型团队而言，最直接的问题是权重和许可是否可用、能否在专有车队数据上微调、以及蒸馏后模型在目标硬件上的延迟与稳定性。对安全团队而言，应将厂商基准与自己的闭环指标分开：场景覆盖、失败模式、接管策略、数据漂移、传感器异常和人工复核都需要单独记录。对产品与合规团队而言，商用许可是项目启动条件之一，却不是市场准入条件。
下一批更有价值的材料应当是可复现的评测设置、完整许可文本、第三方在明确车型与硬件上的推理测量、闭环仿真与受控道路的失效报告，以及与地区监管要求相匹配的安全论证。若这些材料持续缺席，公告中的“现可商用”只能说明获得模型使用权的门槛降低，而不能衡量自动驾驶产品真正减少了多少风险。
还应区分两类评估工作。第一类验证模型在离线数据上的能力，包括对道路场景的问答、轨迹建议、因果说明和自动标注是否与人工标注一致。第二类验证系统在闭环中的行为，包括传感器延迟、控制器约束、冗余模块介入、地图和规则变化，以及人在环接管。前者可以利用公开基准和回放数据加速筛选，后者才会决定一辆车在特定运营范围内是否足够可靠。将两类成绩混写，会让“模型领先”听起来像“车辆安全”。
对采用方更实用的做法是建立一份可追溯的证据账本：每个外部基准都记录模型版本、提示与解码设置、数据切分和运行成本；每次专有数据微调都记录数据来源、场景覆盖和失败案例；每个发布候选都记录从云端教师输出到车端蒸馏模型之间的差异。这样，商用许可带来的灵活性才会转化为可审计的工程收益，而不是只增加一条难以比较的厂商基准。