英伟达推出 Alpamayo 2 Super 开源推理模型，支持商业使用和微调。这款 34B 参数视觉语言动作模型针对自动驾驶长尾场景设计，基于 Cosmos 3 Super Reasoner 构建，在 LingoQA 基准上得分 79.2。OpenMDW-1.1 许可允许微调和商业再分发，引发与 Anthropic 等闭源阵营的激烈争论。

一、模型能力与基准

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。

LingoQA 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 115 000 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。

二、许可变化的实际影响

早期 Alpamayo 版本仅限研发用途，OpenMDW-1.1 许可覆盖整个模型家族，开发者无需额外授权即可把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。

三、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。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。

双方围绕"可验证性"与"性能上限"展开对立，实质是 AI 走向产业落地时必须回答的两类问题——如何证明模型在黑箱场景下依然可控，以及如何确保模型在最罕见场景中仍然可靠。

四、产业落地视角

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。

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到数据驱动，再到可验证推理驱动的转变。

五、战略判断

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

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，而非单纯的参数规模或许可形式。

本文首发于赢政天下 (https://www.winzheng.com)，获取更多深度技术内容与资源，欢迎访问官网。