Alpamayo 2 Edge: модель NVIDIA строит траекторию движения на 6,4 секунды вперёд

Что получает модель. На один запрос приходятся 22 кадра с 6 камер, текст навигации и 20 прошлых поз автомобиля. В ответ модель выдаёт 64 точки пути с шагом 0,1 секунды.

Не хотите разбираться сами? Внедряем ИИ в ваш бизнес: задачи без лимита, одна цена в месяц, отмена в любой момент.

NVIDIA дообучила модель через RL в симуляторе AlpaGym: она училась на последствиях собственных действий при вождении. По замерам компании от 10 ноября, этот этап улучшил результат вождения на 48,9% относительно лучшего варианта без такого дообучения. В ранних симуляциях лондонских улиц PORT получила удержание полосы более чем вдвое чаще, чем у Alpamayo 1.5, и примерно вдвое более быстрое планирование на том же GPU.

Как запустить пример. Нужны Linux, Python 3.12 и NVIDIA GPU с поддержкой BF16. NVIDIA рекомендует минимум 16 ГБ видеопамяти, сами веса занимают около 5,3 ГБ. Из корня репозитория установка выглядит так:

```bash export UV_PROJECT_ENVIRONMENT=.venv uv sync --locked --extra dataset --dev source .venv/bin/activate ```

Для примера с дорожными данными нужно принять условия PhysicalAI-Autonomous-Vehicles на Hugging Face. Затем авторизоваться и запустить расчёт:

```bash hf auth login python -m alpamayo2_edge.inference --model-id nvidia/Alpamayo2-Edge --manifest examples/nav_samples.json --output outputs/physicalai-nav ```

Для автомобильного компьютера DRIVE AGX Thor NVIDIA опубликовала отдельный рецепт с калибровкой FP8 и сборкой TensorRT. В замерах компании оптимизированная модель рассчитывает траекторию за 160–190 мс на Thor-X. Embedl заявляет об ускорении более чем в 10 раз относительно PyTorch на AGX Thor. Руководитель Embedl Ханс Саломонссон сообщил, что команда менее чем за 48 часов добилась пересчёта пути 10 раз в секунду.

Веса доступны на Hugging Face под OpenMDW-1.1, исходный код опубликован под Apache 2.0.