상용 라이선스 OpenMDW-1.1 적용과 Alpamayo 2 Super 공개

Alpamayo 2 Super가 상용 이용이 가능한 상태로 공개되었다. 연구 목적으로만 제한되었던 기존 모델과 달리, 자율주행 개발사가 실험실 수준의 검증을 넘어 실제 제품에 모델을 탑재할 수 있는 선택지를 제공한다. 기업들은 자체 모델을 처음부터 학습시켜야 하는 컴퓨팅 비용과 시간 제약 없이, 공개된 고성능 모델을 기반으로 제품 개발 속도를 높일 수 있다.

이번 모델에는 리눅스 재단(Linux Foundation)의 OpenMDW-1.1 라이선스가 적용되었다. 이는 오픈 AI 모델 배포를 위해 설계된 허용적 라이선스로, 모델 가중치를 상업적 목적으로 재배포하는 행위를 허용한다. 특히 파인튜닝(Fine-tuning, 사전 학습된 모델을 특정 목적의 데이터로 추가 학습시켜 성능을 최적화하는 과정) 권한이 명시적으로 포함되었다. 개발사는 실제 도로 주행 데이터, 국가별 도로 교통 법규, 기업 내부 주행 정책을 추가 학습시켜 환경에 최적화된 주행 성능을 구현할 수 있다.

라이선스 범위에는 파생 모델 생성 권한이 포함되어 자율주행 소프트웨어 개발사, 완성차 업체, 트럭 제조사, 부품 공급사가 각자의 배포 전략에 맞춰 모델을 수정하고 사용할 수 있다. 이는 모델 소유권이나 사용 권한으로 인한 법적 제약을 제거해 최종 제품의 시장 출시 기간을 단축하며, 공급사와 제조사 간의 라이선스 충돌 가능성을 차단한다.

모델은 머신러닝 모델 공유 플랫폼인 Hugging Face를 통해 제공된다. Alpamayo 모델군은 해당 플랫폼에서 누적 다운로드 수 500,000회를 돌파하며 자율주행 추론 모델 중 가장 높은 채택률을 기록했다. 상용 라이선스 전환으로 기존 연구용 사용자 층이 상용 개발 생태계로 유입될 수 있는 기반이 마련되었다.

300억 파라미터 규모와 360도 카메라 퓨전 추론 구조

Alpamayo 2 Super는 파라미터 규모를 기존 Alpamayo 1.5와 1의 100억 개 대비 3배 늘어난 300억 개로 확장했다. NVIDIA Cosmos 3 Super Reasoner를 기반으로 구축했으며, 강화학습(RL, 시행착오를 통해 보상을 최대화하는 방향으로 학습하는 방식) 사후 학습으로 추론 성능을 고도화했다. 파라미터 수의 증가는 모델이 학습 과정에서 접하지 못한 도로 위 희소 사례를 유연하게 처리하는 일반화 능력을 높인다.

입력 구조는 차량 전후좌우 카메라 뷰를 통합하는 360도 컨텍스트 퓨전(Context Fusion, 서로 다른 시점의 데이터를 하나로 결합해 전체 맥락을 파악하는 기술) 방식을 채택했다. 전방위 시각 정보를 하나의 통합된 컨텍스트로 묶어 추론함으로써 사각지대 위험 요소를 빠르게 식별하고 대응해 사고 위험을 낮춘다. 특히 복잡한 도심 교차로나 좁은 골목길에서 판단 정확도를 높인다.

추론 결과물은 다섯 가지 결합 출력 형태로 생성되어 판단 과정을 검증할 수 있게 한다. 차량의 계획 경로를 좌표로 나타내는 궤적(Trajectory)과 결정의 논리적 근거를 단계별로 설명하는 인과관계 추적(CoC, Chain-of-Causation) 트레이스를 함께 출력한다. 여기에 운전자의 의도를 정의하는 메타 액션, CoC 주석을 자동 생성하는 추론 오토라벨 기능, 2D 그라운딩(Grounding, 이미지 속 특정 객체의 위치를 좌표로 지정하는 기술) 기반의 시각적 질의응답(VQA, Visual Question Answering) 출력이 결합된다.

이 구조는 모델이 최종 정답뿐 아니라 추론의 전 과정을 기록하며 작동한다. 궤적 정보가 차량의 행동을 결정하면, CoC 트레이스는 그 행동의 사고 과정을 논리적으로 증명한다. 오토라벨과 VQA는 모델이 인식한 시각적 요소가 실제 도로 상황과 일치하는지 개발자가 검증하는 도구로 활용된다. 모델의 세부 스펙과 추론 능력은 Hugging Face에서 확인할 수 있다.

Lingo-Judge 지표 기준 GPT-4o 대비 23.2점 성능 우위

Alpamayo 2 Super는 자율주행 추론 능력을 평가하는 벤치마크 LingoQA에서 평가 대상 40개 모델 중 1위를 기록했다. LingoQA는 차량이 도로 상황을 인식하고 행동을 결정하기까지의 논리적 추론 과정을 측정한다. NVIDIA가 실시한 모든 자율주행 관련 벤치마크에서 1위를 달성하며, 도로 위의 물리적 상호작용을 이해하는 능력을 수치로 증명했다.

Lingo-Judge 지표를 통한 세부 성능 비교에서 GPT-4o 대비 23.2점, Gemini 2.5 Pro 대비 15.1점, Qwen2.5-VL 72B 대비 17.0점 높은 점수를 얻었다. 이는 주행 중심 시나리오에 최적화된 추론 구조가 범용 모델의 규모 우위를 넘어섰음을 보여준다. 특히 20점 이상의 점수 차이는 범용 모델보다 주행 시나리오 추론 정확도가 높음을 확인시켜 준다.

이러한 성능 차이는 발생 빈도는 낮지만 사고 위험이 큰 엣지 케이스(Edge Case) 처리 능력에서 발생한다. 범용 모델이 오판하기 쉬운 복잡한 교차로나 비보호 좌회전 상황에서 Alpamayo 2 Super는 객체 간의 관계와 미래 움직임을 논리적으로 예측해 판단 정확도를 높였다.

40여 개의 경쟁 모델을 제치고 1위를 차지한 결과는 자율주행 AI의 평가 기준이 일반 언어 능력에서 도메인 특화 추론 능력으로 전환되었음을 보여준다. 개발자는 Lingo-Judge 수치를 통해 모델 신뢰도를 측정하고, 이를 클라우드 기반 고성능 모델을 차량 내 최적화 모델로 증류하는 기준점으로 삼을 수 있다. 이는 상용 차량 플릿(Fleet) 배포 시 요구되는 안전성 검증 시간을 단축하는 근거가 된다.

이러한 정량적 성능 우위는 실제 데이터 가공과 안전 검증 공정의 효율화로 이어진다.

데이터 라벨링 주기 단축과 ISO/PAS 8800 안전 표준 정렬

오토라벨러(Autolabeler)로 Alpamayo 2 Super를 활용하면 데이터 어노테이션(Annotation) 주기가 수개월에서 수일로 단축된다. 이 모델은 기업의 자체 차량 함대 데이터에서 CoC 라벨을 생성하고 2D 그라운딩 기반 VQA를 수행해 원본 주행 영상을 고품질 학습 데이터로 변환한다. 이를 통해 데이터 라벨링에 투입되는 시간과 인건비를 줄여 모델 업데이트 주기를 앞당긴다.

클라우드-투-카(Cloud-to-Car) 워크플로우는 클라우드의 고성능 추론과 차량 내 실시간 실행을 연결한다. 클라우드 환경에서 Alpamayo 2 Super가 정교한 데이터를 생성하면, 이를 모델 증류(Distillation, 거대 모델의 지식을 작은 모델로 전이시켜 효율을 높이는 기법) 과정을 통해 최적화한다. 증류된 모델은 연산 자원이 제한된 양산 차량에서도 실시간 추론이 가능하도록 탑재된다.

CoC 트레이스는 NVIDIA Halos 안전 검증 워크플로우와 통합되어 자율주행 AI 안전 표준인 ISO/PAS 8800 요구사항에 정렬된다. 롱테일 이벤트(Long-tail event) 대응을 위해 모델이 상황을 이해하고 인과관계를 추론해 경로를 선택하는 과정을 추적한다. 개발자는 시스템의 판단 근거를 검토하고 수정해 시스템 오류를 줄이며, 상용 배포 전 단계의 안전 리스크를 제어한다.

AlpaSim·AlpaGym을 포함한 자율주행 개발 스택의 통합

Alpamayo 2 Super는 AlpaSim과 AlpaGym 등 시뮬레이션과 학습 도구가 통합된 개발 스택 형태로 제공된다. NVIDIA AlpaSim은 모델의 행동이 환경에 실시간으로 반영되는 폐루프(Closed-loop) 시뮬레이션을 지원하며, NVIDIA AlpaGym은 고처리량 강화학습 환경을 제공한다. 개발자는 이 도구들로 가상 공간에서 희귀 사례를 생성하고 모델의 대응 능력을 정밀하게 검증한다.

데이터 확보 단계에서는 NVIDIA Physical AI Open Datasets가 기초 데이터를 공급하며, 오픈 트레이닝 레시피와 오토라벨링 파이프라인이 함께 포함된다. 개발자는 파운데이션 모델의 기초 능력을 처음부터 학습시키는 낭비를 피하고, 제공된 레시피로 특정 도메인에 최적화된 성능을 빠르게 구현한다. 오픈 가중치 방식은 프런티어 모델(Frontier Model) 사용 시 발생하는 높은 비용을 제거해 경제적 타당성을 제공한다.

통합 스택의 핵심은 개발자가 독자적인 플릿 데이터와 인프라 제어권을 유지하는 데 있다. 오픈 가중치 모델에 자체 데이터를 결합하면 외부 플랫폼의 정책이나 API 제약 없이 전문화된 모델을 직접 소유하고 관리할 수 있다. 작업 난이도와 요구 추론 속도에 맞춰 적절한 크기의 모델을 배치함으로써 운영 비용을 최적화하고, 데이터 수집부터 배포까지 전 과정을 내부적으로 통제해 안전성과 투명성을 높인다.

클라우드에서 고성능 모델로 학습 데이터를 생성하고 차량 내 최적화 모델로 배포하는 클라우드-투-카(Cloud-to-Car) 워크플로우를 구축하는 것이 실질적인 도입 기준이다.