NVIDIA 开源车端推理模型 Alpamayo 2 Edge：2B 参数 VLA 跑在 DRIVE AGX Thor 上，像素到轨迹延迟 160–190 毫秒，同步开源推理评分模型 AlpaJudge

核心背景与行业痛点

让自动驾驶模型「边开边解释」是近两年的方向，但大模型推理太耗算力，很难在车载芯片的功耗和延迟预算内实时运行。把模型变小又容易丢掉推理质量，而且推理好坏很难量化评估。NVIDIA 此前的 Alpamayo 2 Super 更适合作为离线基础模型；11 月 10 日发布的 Alpamayo 2 Edge 则专门面向车端部署。

架构亮点与底层机制

Alpamayo 2 Edge 用 Cosmos 3 Edge 的 2B Nemotron 推理骨干，加一个扩散动作专家，输入环视摄像头画面、历史自车运动和导航指令，输出「因果链」推理和未来轨迹。核心是自适应推理：常规路况只输出特殊标记、不写推理，遇到复杂场景才展开解释，省下 token 和算力。训练上先用 Alpamayo 2 Super 生成的推理标注做离线蒸馏，再在 AlpaGym 仿真里做闭环强化学习；推理阶段用 DFlash2 推测解码加速。配套的 AlpaJudge 是经人工校准的评分模型，可用来打分、筛训练数据，或作为 RL 奖励。

权威 Benchmark 与实测跑分对比

以下为官方和合作方口径：闭环 RL 让驾驶表现提升 48.9%；在 AlpaSim 中责任事故间隔行驶距离约为 Qwen-Drive-1.0（4B）的 40 倍。合作方 PORT 称在伦敦街景重建中保持车道的次数是 Alpamayo 1.5 的两倍多；Niulinx 称零样本下位移误差比 Alpamayo 2 Super 低 13.6%。暂无第三方独立测评。

开发者实战落地与开箱指南

从 Hugging Face 下载 nvidia/Alpamayo2-Edge，默认 BF16 权重可在支持的 NVIDIA GPU 上直接用 PyTorch 运行；GitHub 仓库 NVlabs/alpamayo2-edge 提供推理脚本。要在 DRIVE AGX Thor 上实时运行，需按开发者中心的方案做 FP8 校准、导出 ONNX、构建 TensorRT 引擎。评估推理质量可装 AlpaJudge 跑示例 notebook。