# Alpamayo 2 Super 開放商用：34B 規模在 LingoQA 拿下 79.2 分居首，自駕先推理再行動

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：Jensen Huang (@JensenHuang) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥🔥🔥🔥 · 日期：2026-08-06

> 原始來源：https://x.com/jensenhuang/status/2084656303046332747

## 證據與延伸閱讀

- [NVIDIA 推出 Alpamayo 2 Super](https://blogs.nvidia.com/blog/alpamayo-2-super-open-model-now-available) — 官方文件

## 中文摘要

Alpamayo 2 Super 開放商用：34B 規模在 LingoQA 拿下 79.2 分居首，自駕先推理再行動。

**發布定位** Alpamayo 2 Super 於 2026 年 8 月 4 日推出，目標涵蓋 robotaxis、卡車、接駁車、配送車、拖拉機，以及長尾的各式行動機器人——Jensen Huang 形容未來會有數十億台自主機器。他表示，模型依 OpenMDW-1.1 授權開放商用，團隊可以檢視、微調並部署；他認為開放模型有助於推進安全（safety）與資安（security），下一波 AI 就是 robotics，而這一波從 autonomous vehicles 開始。

**模型架構與部署** NVIDIA 表示，Alpamayo 2 Super 建立在 NVIDIA Cosmos 3 Super Reasoner 上，並以 reinforcement learning 做 post-training。它的模型規模是 10 billion-parameter Alpamayo 1 與 Alpamayo 1.5 的 3 倍，能更有效從稀疏範例中泛化推理，尤其針對罕見的多方互動情境。模型會融合車輛前方、側面與後方攝影機影像，形成 360 度環景脈絡。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/29ab9add6b215cb6.jpg)
> 背景為黑色的科技宣傳圖片，中央上方呈現一台透視內部的黑色汽車並圍繞金色發光圓環，下方橫向排列五個帶有金色線條圖示的方形區塊。

**開放授權與工作流程** 先前 Alpamayo 版本只供研發用途，這次 OpenMDW-1.1 一次套用到整個 Alpamayo 家族，開發者不必另外申請授權即可商用部署；它允許微調、建立衍生模型及商業再散布，讓車商、卡車製造商與供應商能搭配自有資料、駕駛政策及部署策略開發。NVIDIA 描述的 cloud-to-car workflow，是先在雲端用 Alpamayo 2 Super 產生 reasoning traces、synthetic training data 與 teacher outputs，再將蒸餾後的專用模型最佳化，部署到車上做即時推論；Alpamayo 1.5 與 Alpamayo 1 則提供成本較低的選項。

**多任務能力** 每個駕駛情境可產生五類相互連結的輸出：

- 描述車輛行駛路徑的 trajectory。
- 解釋決策因果關係的 chain-of-causation（CoC）trace。
- 表達讓行、變換車道與停車等意圖的 meta-action。
- 為訓練與驗證資料產生 CoC 標註的 reasoning auto-label。
- 結合 2D visual grounding、將回答對應至影像特定區域的 visual question answering。

這些輸出可協助開發者檢查模型看見了什麼、為何選擇某個動作，並支援 NVIDIA Halos 的安全驗證流程與 ISO/PAS 8800 對齊的 AI safety 工作。NVIDIA 也稱，模型可把車隊影片轉成更完整的訓練資料，將標註週期從數月壓縮至數日。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/526a05789ead2c5c.jpg)
> Alpamayo 2 Super 在各項主要自動駕駛（AV）任務上的表現全面超越 Qwen3-VL-32B-Instruct。

**評測與生態系** NVIDIA 表示，Alpamayo 2 Super 在 LingoQA、近 40 個模型的評測中排名第一；以 Lingo-Judge 測試時，分數比 Qwen2.5-VL 72B 高 17.0 分、比 Gemini 2.5 Pro 高 15.1 分、比 GPT-4o 高 23.2 分。它也支援 scene understanding、model critiquing 與 knowledge distillation，並可搭配 NVIDIA AlpaSim、NVIDIA AlpaGym、NVIDIA Physical AI Open Datasets、開放訓練 recipes 與 autolabeling pipeline。Alpamayo 系列在 Hugging Face 的下載量已超過 500,000 次。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/5c6ce4353855d4d8.jpg)
> Alpamayo 2 Super (34B) 以 79.2 分在 LingoQA 自動駕駛推理基準測試中位居第一，領先其他模型。

## 媒體內容

**Alpamayo 2 Super 在各項主要自動駕駛（AV）任務上的表現全面超越 Qwen3-VL-32B-Instruct。**

**數據表**

|   | Alpamayo 2 Super | Qwen3-VL-32B-Instruct |
| --- | --- | --- |
| Meta-Action IoU (Longitudinal) | 61.9% | 35.8% |
| Meta-Action IoU (Lateral) | 74.6% | 47.5% |
| Meta-Action IoU (Lane) | 73.5% | 68.8% |
| Auto-Labeling Accuracy | 65.2% | 45.0% |
| 2D Visual Grounding (IoU) | 71.0% | 17.0% |
| OOD Reasoning Score | 43.3% | 39.6% |

**Alpamayo 2 Super (34B) 以 79.2 分在 LingoQA 自動駕駛推理基準測試中位居第一，領先其他模型。**

**數據表**

| 項目 | 數值 |
| --- | --- |
| Alpamayo 2 Super (34B) | 79.2 |
| Alpamayo 1.5 (10B) | 74.2 |
| Qwen3-VL (32B) | 72.2 |
| MiMo-Embodied (7B) | 69.9 |
| RoboTron-Drive (8B) | 69.2 |
| ReCogDrive (8B) | 67.2 |
| ACE-Brain-O (8B) | 65.8 |
| Gemini 2.5 Pro | 64.1 |
| Qwen2.5-VL (72B) | 62.2,LingoQA Paper (FT |
| 5-Frame) | 60.8 |
| Alpamayo 1 (10B) | 60.4 |
| GPT 4V | 59.6 |
| Vlaser (8B) | 59.6 |
| LLaVA (fine-tuned) | 59.0 |
| Qwen-VL-Max | 58.8 |
| InternVL3.5 (38B) | 57.6 |
| Qwen3-VL (8B) | 57.0,LingoQA Paper (FT |
| 1-Frame) | 57.0 |
| GPT-4o | 56.0 |
| Pelican-VL (7B) | 56.0 |
| Qwen2.5-VL (7B) | 55.6 |
| VeBrain (7B) | 55.0 |
| MiMo-VL (7B) | 54.8 |
| Qwen2-VL (7B) | 52.6 |
| BLIP-2 (fine-tuned) | 52.2 |
| InternVL3 (8B) | 50.8 |
| LLaVA (zero-shot) | 49.4 |
| RoboBrain2.5 (8B) | 48.0 |
| DriveLMM-o1 (8B) | 47.8 |
| InternVL3.5 (8B) | 46.7 |
| DeepSeek-VL (8B) | 46.4 |
| FUYU (zero-shot) | 45.4 |
| RoboBrain2.0 (7B) | 39.2 |
| Vicuna-7B (text-only FT) (7B) | 38.8 |
| Qwen3-VL (2B) | 34.8 |
| LingoQA Paper (zero-shot) | 33.6 |

## 標籤

新產品, 開源專案, Robot, NVIDIA