Nvidia 已发布 Alpamayo 2 Edge，这是一款紧凑型的推理视觉-语言-动作（VLA）模型，旨在用于实时车载规划与解释。宣布该模型的开发者博客发表于 2026年11月10日；Nvidia 将 Alpamayo 2 Edge 描述为一种“自适应推理”模型，仅在需要时生成因果解释，并针对公司的 DRIVE AGX Thor 平台进行了优化，像素到轨迹的推断延迟约为 160–190 毫秒，具体取决于推理负载。
Nvidia 发布了什么
Hugging Face 托管模型卡与权重（于 2026年11月11日 发布），其中列出 Alpamayo 2 Edge 大约为一款 20 亿参数模型，基于 Nemotron‑based Cosmos 3 Edge 主干以及一个 0.2B 参数的动作专家。Nvidia 在 OpenMDW‑1.1 许可下发布权重，并在 Apache‑2.0 下发布源代码，以鼓励研究和用于部署的微调。该模型在 Nvidia 的 AlpaGym 中通过闭环强化学习进行了后训练；Nvidia 报告称该后训练步骤使闭环驾驶性能提升了 48.9%。
除了实验室数据外，产业参与者已开始试验。日本的 Tier IV 于 2026年11月11日 表示其一直在评估 Alpamayo，并将该模型与 Autoware 集成用于端到端堆栈——这是软件供应商如何将 Nvidia 权重适配到车辆软件平台的公开示例。该早期集成凸显了从模型发布到供应商测试台与现场试验的实际路径。
该模型的运行方式
Nvidia 的开发者文章解释了使推理足够紧凑以适用于车载的技术方法：自适应推理（仅在有用时生成推理 token）、推测解码、FP8 量化以及面向 DRIVE AGX Thor 的 TensorRT‑Edge‑LLM 引擎构建。该博客还描述了 AlpaJudge，这是 Nvidia 用来选择更高价值训练数据并在 RL 微调期间奖励推理轨迹的人类校准评估模型。
这对市场意味着什么
对中东欧地区而言，直接影响是切实可行的：该地区许多整车厂和一线供应商已经在开发 DRIVE 级别的算力堆栈或在 ADAS 与座舱项目中集成 Nvidia 芯片。一个可公开获得、适合边缘部署的推理模型，减少了原型开发先进规划与可解释性功能所需的工作量，缩短了从仿真到车载测试的路径，覆盖从 Prague 到 Poznań、从 Bratislava 到 Budapest 的公司。模型卡与部署配方意味着较小的供应商可以利用车队数据进行微调，而无需从零构建完整的基础模型，这可能加速 CEE 供应链中试点项目和软件验证周期。
话虽如此，Nvidia 发布的基准测试是内部且基于仿真的；Tier IV 的声明显示了行业采用，但并不等同于投产安全批准。整车厂与供应商仍需根据 UNECE 和 EU 的合规制度验证行为，并在扩大到客户车辆之前进行真实世界的验证与确认（V&V）。
来源：NVIDIA Developer Blog, Hugging Face, TIER IV
