🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

NVIDIA Alpamayo 2 Super는 상업적 이용이 가능한 개방형 자율주행 추론 모델로, 장기꼬리 주행 상황에 대한 멀티모달 추론부터 데이터 자동 주석, 안전 검증, 차량용 모델 증류까지 하나의 기반 모델에서 지원한다.

📌 핵심 요약

• Alpamayo 2 Super는 NVIDIA Cosmos 3 Super Reasoner를 기반으로 강화학습 사후훈련을 거친 자율주행용 개방형 추론 모델이며, 현재 상업적 이용이 가능하다.
• OpenMDW-1.1 라이선스는 미세조정, 파생 모델 제작, 상업적 재배포를 허용하며, 추가 허가 없이 상용 배포할 수 있도록 Alpamayo 모델군 전체에 적용된다.
• 개발자는 클라우드에서 추론 흔적, 합성 학습 데이터, 교사 모델 출력을 생성한 뒤 증류한 모델을 실제 차량의 효율적인 실시간 추론에 맞게 최적화할 수 있다.
• NVIDIA의 Lingo-Judge 평가에서 Alpamayo 2 Super는 LingoQA 평가 대상 약 40개 모델 중 1위를 기록했으며, Qwen2.5-VL 72B·Gemini 2.5 Pro·GPT-4o보다 높은 점수를 보였다.
• 모델은 계획 궤적, 인과관계 추론 흔적, 메타 행동, 추론 자동 주석, 2차원 시각적 근거가 포함된 질의응답을 생성하며, Alpamayo 모델군의 Hugging Face 다운로드는 50만 건을 넘어섰다.

🧩 주요 포인트

1. 드문 다중 행위자 상황은 단순 인지와 예측만으로 처리하기 어렵기 때문에, 원인과 결과를 설명하면서 안전한 경로를 선택하는 추론 능력이 핵심 과제로 제시된다.
2. 개방형 가중치와 상업 라이선스는 조직이 자체 데이터·인프라·전문 지식을 통제하면서 기초 능력을 처음부터 다시 학습해야 하는 비용을 줄이는 배포 기반이 된다.
3. 고성능 클라우드 모델과 경량화된 차량용 모델의 역할을 분리하고, 추론·주석·검증 기능을 통합함으로써 상용 자율주행 개발의 비용과 반복 시간을 함께 낮추는 구조다.

🧠 상세 정리

1. 장기꼬리 주행 상황과 추론 모델의 역할

로보택시와 자율주행차에서 가장 어려운 문제는 반복되는 일상 상황이 아니라, 사전에 예상하거나 충분한 학습 사례를 확보하기 어려운 드문 복합 상황이다. 이러한 장기꼬리 사건을 처리하려면 객체 감지와 움직임 예측을 넘어 주변 상황을 이해하고, 원인과 결과를 추론하며, 적절한 행동을 안전하고 편안한 경로로 변환해야 한다. 이 과정은 실시간으로 이뤄져야 할 뿐 아니라 개발자가 판단 근거를 조사하고 검증하며 신뢰할 수 있는 형태여야 한다. Alpamayo 2 Super는 이 요구를 하나의 자율주행 기반 모델에서 다루도록 설계됐으며, NVIDIA Cosmos 3 Super Reasoner를 기반으로 강화학습 사후훈련을 거쳤다. NVIDIA는 이 모델을 개방형 상업 라이선스와 멀티태스크 자율주행 역량을 결합한 Alpamayo 모델군의 최고 성능 모델로 제시한다.

2. 상업적 이용을 허용하는 개방형 라이선스

Alpamayo 2 Super는 Linux Foundation의 개방형 AI 모델 배포용 허용적 라이선스인 OpenMDW-1.1에 따라 Hugging Face에서 제공된다. 이 라이선스는 미세조정과 파생 모델 제작, 상업적 재배포를 포괄하므로 자율주행 개발사, 자동차·트럭 제조사, 부품 공급사가 각자의 데이터와 운전 정책, 배포 전략에 맞게 모델을 수정할 수 있다. 자체 차량 데이터와 안전 관련 업무를 다루는 조직은 데이터와 인프라를 통제하면서 전문 모델과 축적된 노하우에서 발생하는 가치도 직접 보유할 수 있다. 초기 Alpamayo 모델은 연구개발 목적으로 먼저 소개됐지만, OpenMDW 라이선스가 모델군 전체로 확대되면서 추가 허가 없이 어떤 Alpamayo 모델도 상업적으로 배포할 수 있게 됐다. 이에 따라 모델 적응 단계에서 실제 상용 배포 단계로 이어지는 경로가 명확해졌다.

3. 클라우드 추론에서 차량 내 실시간 실행까지

개방형 가중치는 모든 기반 능력을 처음부터 다시 학습하거나 작업마다 최고 수준 모델의 비용을 지불하지 않고도 고급 추론 능력을 활용하게 한다. Alpamayo 2 Super는 클라우드 기반 개발 과정에서 고품질 추론 흔적, 합성 학습 데이터, 모델 증류용 교사 출력을 생성하는 최고 성능 선택지로 제시된다. 같은 모델군의 Alpamayo 1.5와 Alpamayo 1은 클라우드 개발과 모델 증류에서 비용 효율이 더 높은 선택지로 제공되므로, 개발팀은 작업과 비용 조건에 맞는 모델을 선택할 수 있다. 생성된 증류 모델은 실제 차량에서 효율적인 실시간 추론을 수행하도록 추가 최적화할 수 있다. 이 모델군은 클라우드의 대규모 추론 능력과 차량 내부의 전문화된 실행 모델을 연결해, 상용 자율주행 차량군으로 안전한 자율성을 확장하는 클라우드-투-카 개발 흐름을 구성한다.

4. 벤치마크 성능과 전방위 시각 이해

Alpamayo 2 Super는 자율주행 추론 평가인 LingoQA에서 평가 대상 약 40개 모델 가운데 1위를 기록했다. NVIDIA가 Lingo-Judge 지표로 수행한 시험에서는 Qwen2.5-VL 72B보다 17.0점, Gemini 2.5 Pro보다 15.1점, GPT-4o보다 23.2점 높은 결과를 보였으며, NVIDIA가 평가한 모든 자율주행 벤치마크에서도 1위를 차지했다. 모델 규모는 100억 매개변수인 Alpamayo 1.5와 Alpamayo 1의 3배로, 늘어난 용량은 사례가 부족한 상황에서도 추론을 일반화하는 능력을 높이는 데 사용된다. 이는 기존 시스템이 어려움을 겪는 드문 다중 행위자 상호작용을 처리하는 데 중요한 특성으로 설명된다. 또한 차량의 전방·측면·후방 카메라 영상을 결합한 360도 시야를 활용해 차선 변경, 합류, 비보호 회전, 복잡한 교차로를 더 풍부한 문맥에서 이해한다.

5. 다섯 가지 결합 출력과 안전 검증

Alpamayo 2 Super는 각 주행 상황에서 차량의 계획 경로를 나타내는 궤적과 판단 이유를 설명하는 인과관계 추론 흔적을 생성한다. 여기에 양보, 차선 변경, 정지와 같은 의도를 나타내는 메타 행동, 학습·검증 데이터용 인과관계 자동 주석, 카메라 영상의 특정 영역과 답변을 연결하는 2차원 시각적 근거 기반 질의응답을 함께 출력한다. 개발자는 모델이 무엇을 관찰했고 그 관찰을 어떤 행동 선택으로 연결했는지 추적할 수 있어, 결정을 이해하고 비판적으로 검토하며 검증하기가 쉬워진다. 인과관계 추론 흔적은 NVIDIA Halos 안전 검증 과정과 연동되고 ISO/PAS 8800 요구사항에 부합하는 AI 안전 활동을 지원한다. 또한 자체 차량 데이터에 자동 주석 모델로 적용하면 원시 주행 영상을 더 풍부한 학습 자료로 바꿀 수 있으며, NVIDIA는 이 방식이 주석 작업 주기를 수개월에서 수일로 단축할 수 있다고 설명한다. 장면 이해, 모델 비평, 지식 증류까지 지원하므로 개발 도구를 단순화하고 반복 개발 속도를 높일 수 있다.

6. 개방형 자율주행 개발 생태계

Alpamayo 2 Super는 단일 모델이 아니라 자율주행 개발을 위한 개방형 모델, 프레임워크, 데이터 세트, 학습 도구로 구성된 더 넓은 생태계의 일부다. 폐쇄 루프 시뮬레이션을 제공하는 NVIDIA AlpaSim과 고처리량 강화학습을 지원하는 NVIDIA AlpaGym이 모델 개발 과정을 보완한다. NVIDIA Physical AI Open Datasets는 학습과 시험에 필요한 데이터를 공급하며, 개방형 학습 레시피와 자동 주석 파이프라인은 모델 개발·훈련·검증을 가속하도록 제공된다. 이러한 구성은 개발자가 모델 추론뿐 아니라 시뮬레이션, 데이터 구축, 강화학습, 검증을 연결해 활용할 수 있도록 한다. Alpamayo 모델군은 Hugging Face에서 누적 다운로드 50만 건을 넘어섰으며, NVIDIA는 이를 해당 플랫폼에서 가장 널리 채택된 개방형 자율주행 추론 모델군이라는 근거로 제시한다.

🧾 핵심 주장 / 시사점

• 모델군 전체에 상업 라이선스가 적용되면서 연구개발용 모델을 별도 허가 절차 없이 미세조정하고 상용 배포까지 연결할 수 있게 됐다.
• 클라우드에서는 Alpamayo 2 Super의 대규모 추론 능력을 사용하고 차량에서는 증류·최적화된 전문 모델을 실행하는 구조가 성능과 배포 효율을 분리해 관리하게 한다.
• 인과관계 추론 흔적과 시각적 근거는 모델의 관찰과 행동 사이를 추적할 수 있게 하며, 동시에 안전 검증과 자체 차량 데이터의 자동 주석에 재사용된다.

✅ 액션 아이템

• OpenMDW-1.1 조건에서 Alpamayo 2 Super 미세조정·파생 모델·상용 재배포 허용 범위를 자체 데이터 통제 기준으로 정의한다.
• 클라우드 교사 모델의 추론 흔적·합성 데이터·출력을 증류해 차량 실시간 추론용 경량 모델로 최적화하는 분리 구조를 점검한다.
• 드문 다중 행위자 장기꼬리 상황에서 인과 설명과 안전 경로 선택이 계획 궤적·시각 근거 출력과 맞는지 비교한다.

❓ 열린 질문

• LingoQA 약 40개 모델 중 1위와 Qwen2.5-VL 72B·Gemini 2.5 Pro·GPT-4o 대비 우위가 실제 장기꼬리 안전 검증에 얼마나 유효한가?
• 추론 자동 주석·인과 추론 흔적·2차원 시각 근거를 차량 배포 전 안전 검증 기준으로 어떤 수준까지 수용할 것인가?
• 클라우드 고성능 모델과 차량용 증류 모델의 역할 분리가 상용 자율주행 개발 비용과 반복 시간을 얼마나 줄이는가?