엔비디아가 자율주행용 개방형 VLA 모델 알파마요 2 슈퍼를 상업 재배포 허용 라이선스로 냈다

엔비디아는 2026년 8월 로보택시와 자율주행을 겨냥한 개방형 시각 언어 행동(VLA) 모델 Alpamayo 2 Super를 OpenMDW-1.1 라이선스로 공개했다. Alpamayo 2 Super는 카메라 영상과 텍스트를 입력받아 주행 궤적과 그 판단의 인과 설명을 함께 내놓는 모델이며, 모델 카드 기준 구성은 백본 32B 파라미터에 행동 전문가 2.3B 파라미터다. 주행 상황 질의응답 벤치마크 LingoQA에서 Lingo-Judge 점수 79.2로 평가 대상 약 40개 모델 중 1위를 기록했다. ASAP은 엔비디아 공식 블로그와 허깅페이스 모델 카드를 1차 출처로 이 공개가 무엇을 열었고 어떤 숫자가 무엇을 측정한 값인지 정리한다.

궤적만 내놓던 모델이 이유까지 내놓기 시작했다

Alpamayo 2 Super는 다중 카메라 RGB 영상과 텍스트를 입력받아 계획된 주행 궤적과 그 판단의 인과 설명을 함께 출력하는 2026년 공개 모델이다. 모델 카드가 명시한 입력은 이미지와 영상, 텍스트, 자차 운동 이력이고 출력은 텍스트와 궤적이다.

핵심 개념은 엔비디아가 인과 사슬(Chain-of-Causation, CoC)이라고 부르는 기록이다. CoC는 특정 주행 판단의 배경 추론을 설명하는 추적 기록이며, 엔비디아는 이 기록이 자사 안전 검증 워크플로 할로스(Halos)와 연동되고 ISO/PAS 8800 요구사항을 뒷받침한다고 밝혔다. 학습에는 약 370만 개의 CoC 추론 기록과 약 11만 5,000시간의 다중 카메라 주행 영상이 쓰였다.

구조는 두 부분으로 나뉜다. 기반은 엔비디아 코스모스 3 슈퍼 리즈너이고, 여기에 강화학습 사후 학습이 얹혔다. 궤적 생성은 확산 기반 행동 디코더가 맡는다. 모델 카드는 백본 32B와 행동 전문가 2.3B로 파라미터를 나눠 적었고, 엔비디아 블로그는 같은 모델을 300억 파라미터 급 파운데이션 모델로 소개했다. 두 표기의 차이는 백본만 세느냐 행동 디코더까지 합치느냐의 문제로 읽는 편이 안전하다.

79.2점이 측정한 것은 운전이 아니라 설명이다

LingoQA에서 기록한 Lingo-Judge 점수 79.2는 주행 장면에 대한 자연어 질의응답 능력을 평가한 값이다. 엔비디아는 이 점수가 평가 대상 약 40개 모델 중 1위이며 Qwen2.5-VL 72B보다 17.0점, 제미나이 2.5 프로보다 15.1점, GPT-4o보다 23.2점 높다고 밝혔다.

비교 대상의 성격이 이 숫자의 해석을 결정한다. Qwen2.5-VL과 제미나이 2.5 프로, GPT-4o는 자율주행 전용으로 만들어진 모델이 아니라 범용 시각 언어 모델이다. 주행 데이터로 특화 학습한 모델이 범용 모델보다 주행 질의응답을 잘하는 결과는 자연스럽고, 그래서 이 점수가 증명하는 것은 "자율주행 특화 학습이 실제로 효과가 있었다"에 가깝다. 도로에서 다른 자율주행 스택보다 안전하다는 뜻은 이 지표만으로 성립하지 않는다.

주행 성능에 더 가까운 수치는 따로 있다. 모델 카드가 제시한 폐루프 시뮬레이션 AlpaSim 점수는 1.50 ± 0.13이고, 개루프 궤적 예측에서 6.4초 시점 minADE_6은 0.911미터다. minADE_6은 후보 궤적 6개 중 실제 주행 궤적과 가장 가까운 하나의 평균 변위 오차를 뜻하며, 6.4초 뒤 위치를 1미터 안쪽으로 맞혔다는 의미다.

세 지표를 한 줄로 요약하면 설명 능력은 LingoQA가, 궤적 정확도는 minADE가, 실제 주행 흐름 유지는 AlpaSim이 담당한다. 자율주행 모델 발표에서 흔히 벌어지는 혼선은 이 셋 중 가장 눈에 띄는 하나를 전체 능력으로 옮겨 적는 데서 생긴다.

왜 하필 지금 설명 가능성을 앞세우나

엔비디아가 CoC를 ISO/PAS 8800과 연결해 소개한 대목은 이 공개의 성격을 보여준다. ISO/PAS 8800은 도로 차량의 AI 안전을 다루는 국제 표준 문서이고, 엔비디아는 CoC 기록이 자사 할로스 안전 검증 워크플로와 연동된다고 밝혔다.

자율주행에서 성능 경쟁의 다음 관문은 정확도가 아니라 입증이다. 사고가 났을 때 차량이 왜 그렇게 움직였는지를 규제 기관과 보험사와 법원 앞에서 설명할 수 없다면, 벤치마크 점수가 아무리 높아도 상용 배치는 막힌다. 종단간 신경망이 가진 구조적 약점이 정확히 이 지점이었고, 궤적만 출력하는 모델은 판단 근거를 남기지 않는다.

CoC는 이 문제를 우회하는 대신 출력 형식 자체에 답을 넣는 접근이다. 궤적과 함께 그 궤적의 이유를 텍스트로 남기면, 사후 검토에서 참조할 기록이 생긴다. 다만 여기에는 짚어야 할 구분이 있다. 모델이 생성한 설명이 실제로 궤적을 만들어 낸 내부 계산과 일치한다는 보장은 벤치마크 점수로 확인되지 않는다. 사후 정당화가 아니라 진짜 근거인지는 별개의 검증 문제이며, 이번 공개 자료에서 그 일치도를 직접 측정한 수치는 제시되지 않았다.

라이선스가 열려 있다는 말의 실제 범위

라이선스는 리눅스 재단의 허용적 개방 모델 라이선스 OpenMDW-1.1이고, 코드는 아파치 2.0이다. 엔비디아는 이 조건이 미세조정과 파생 모델 제작, 상업적 재배포를 별도 허가 없이 허용한다고 밝혔다.

자율주행 분야에서 이 조건은 드물다. 이 영역의 주요 스택은 대부분 비공개이거나 연구용 제한 라이선스에 묶여 있었고, 상업적 재배포까지 허용하는 프런티어급 모델이 나온 적은 많지 않다. 함께 공개된 것은 가중치만이 아니다. 시뮬레이션 AlpaSim, 강화학습 환경 AlpaGym, 피지컬 AI 오픈 데이터셋, 학습 레시피, 자동 라벨링 파이프라인이 같이 나왔다.

다만 라이선스가 열린 것과 이 모델을 실제로 개선할 수 있는 것은 다른 문제다. 학습에 들어간 약 11만 5,000시간의 다중 카메라 주행 영상과 약 370만 개 CoC 추론 기록은 라이선스로 복제되지 않는 자산이다. 공개된 데이터셋과 자동 라벨링 파이프라인이 그 격차를 얼마나 메우는지가 실질적인 개방성의 크기를 결정한다. 가중치를 받아 미세조정하는 일과, 같은 급의 모델을 처음부터 다시 만드는 일 사이의 거리는 여전히 데이터가 만든다.

국내 관점에서 이 공개가 바꾸는 것

국내 자율주행 개발 조직에게 Alpamayo 2 Super의 의미는 출발선의 위치다. 34B급 주행 특화 모델을 상업 재배포 가능 조건으로 확보할 수 있다면, 기반 모델 확보 단계를 건너뛰고 국내 도로 환경 적응과 검증에 자원을 집중하는 선택이 가능해진다.

적응이 필요한 이유는 데이터의 출처에 있다. 공개된 학습 데이터의 도로 환경 구성은 이번 자료에서 지역별로 제시되지 않았고, 국내 도로의 이륜차 주행 패턴이나 골목 진입, 배달 차량의 정차 행태처럼 지역 고유의 상황이 학습 분포에 얼마나 포함됐는지는 확인할 방법이 없다. 벤치마크 1위가 국내 도로에서 그대로 재현된다고 가정하는 것은 근거 없는 외삽이다.

함께 공개된 AlpaGym과 자동 라벨링 파이프라인이 실질적으로 유용한 지점이 여기다. 국내 주행 데이터를 확보한 조직이 라벨링과 강화학습 환경까지 자체 구축하는 부담을 덜면, 지역 적응 학습의 비용 구조가 달라진다. 다만 이 경로 역시 자율주행 실증 특례와 안전 검증 절차라는 제도적 관문을 통과해야 도로로 나간다. 모델 확보는 그 여정의 시작이지 단축이 아니다.

남는 질문

첫째는 파라미터 표기이며, 두 공식 문서가 Alpamayo 2 Super의 크기를 서로 다르게 적었다. 모델 카드는 백본 32B와 행동 전문가 2.3B를 나눠 적었고 엔비디아 블로그는 300억 파라미터 급으로 소개했다. 어느 쪽이 공식 총계인지는 두 문서만으로 확정되지 않는다.

둘째는 안전 성능이다. 공개된 지표는 질의응답과 궤적 예측, 폐루프 시뮬레이션이며, 실제 도로 주행 안전에 관한 수치는 이번 공개 자료의 범위 밖이다.

셋째는 설명의 신실성이다. CoC가 사후 정당화가 아니라 실제 판단 근거와 일치한다는 점을 어떻게 측정하고 검증할지는 아직 답이 나오지 않은 문제이며, 규제 대응 도구로서 CoC의 가치는 이 답에 달려 있다.

출처: 엔비디아 공식 블로그 "Alpamayo 2 Super: the frontier open model for robotaxis and autonomous vehicles"(2026년 8월)와 허깅페이스 nvidia/Alpamayo2-Super 모델 카드 기반 ASAP 정리