RobotiqueNVIDIA AI Blog · 4 août 2026, 17:00· 2 min de lecture

NVIDIA Alpamayo 2 Super, son modèle ouvert pour robotaxis et véhicules autonomes, disponible en usage commercial

Résumé IASource uniqueImpact UE Pourquoi ça compte

NVIDIA a annoncé la disponibilité commerciale d'Alpamayo 2 Super, son modèle ouvert de référence pour les robotaxis et les véhicules autonomes. Ce modèle appartient à la famille Alpamayo, présentée comme la plus adoptée des collections de modèles de raisonnement ouverts pour la conduite autonome sur Hugging Face. Construit sur la base de NVIDIA Cosmos 3 Super Reasoner et affiné par apprentissage par renforcement, Alpamayo 2 Super est désormais distribué sous licence OpenMDW-1.1, la licence permissive de la Linux Foundation pour les modèles d'IA ouverts. Cette licence autorise le fine-tuning, la création de modèles dérivés et la redistribution commerciale, ce qui permet aux constructeurs automobiles, aux fabricants de poids lourds et à leurs fournisseurs d'adapter le modèle à leurs propres données et stratégies de déploiement. Sur le plan des performances, Alpamayo 2 Super se classe premier sur LingoQA, un benchmark de raisonnement pour la conduite autonome regroupant près de 40 modèles évalués. Selon les tests internes de NVIDIA utilisant la métrique Lingo-Judge, il devance Qwen2.5-VL 72B de 17 points, Gemini 2.5 Pro de 15,1 points et GPT-4o de 23,2 points.

Cette ouverture change la donne pour l'écosystème des véhicules autonomes. Jusqu'ici, les premières versions d'Alpamayo étaient réservées à la recherche et développement ; l'extension de la licence OpenMDW à toute la famille de modèles crée désormais un chemin direct entre l'adaptation et le déploiement en production. Les équipes peuvent ainsi construire sur un raisonnement avancé sans avoir à ré-entraîner chaque capacité de base depuis zéro, ni payer le coût d'un modèle frontière pour chaque tâche. Concrètement, cela renforce la concurrence dans un secteur dominé par des solutions propriétaires, tout en donnant aux développeurs davantage de contrôle sur leurs données et leur infrastructure, un enjeu central pour les flottes de véhicules et les questions de sécurité. Pour les programmes de conduite autonome, cela signifie un raisonnement de pointe exploitable dans le cloud, combiné à des modèles plus légers et spécialisés embarqués dans les véhicules.

Cette approche illustre la stratégie plus large de NVIDIA autour d'un flux de travail « du cloud à la voiture ». Alpamayo 2 Super sert de modèle de référence pour générer des traces de raisonnement de haute qualité, des données d'entraînement synthétiques et des sorties utilisées pour la distillation de modèles plus compacts. Les versions Alpamayo 1.5 et Alpamayo 1, plus économiques, prennent alors le relais pour le développement dans le cloud et la distillation, avant que les modèles obtenus ne soient optimisés pour une inférence en temps réel embarquée. L'enjeu pour NVIDIA est de s'imposer comme la couche logicielle de référence pour l'industrie des véhicules autonomes, face à des concurrents qui développent leurs propres piles fermées, tout en misant sur les modèles ouverts pour élargir l'adoption et accélérer le déploiement de flottes commerciales de robotaxis.

💬 L'analyse de Mathieu

Sur le papier, c'est exactement ce qu'attendait l'écosystème des véhicules autonomes : un modèle de référence ouvert, licence permissive, et des perfs qui écrasent Gemini et GPT-4o sur le benchmark maison. La vraie bascule, c'est que NVIDIA ne vend plus juste des GPU aux constructeurs, il leur vend le cerveau du véhicule et garde la main sur le standard. Reste que le benchmark est interne à NVIDIA, donc à vérifier sur route avant de crier victoire.

Dans nos dossiers

NVIDIA Hugging Face Gemini

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1MarkTechPost

NVIDIA lance Alpamayo 2 Super, un modèle vision-langage-action open source de 34 milliards de paramètres pour robotaxis et conduite autonome

NVIDIA a dévoilé Alpamayo 2 Super, un modèle vision-langage-action (VLA) de 34 milliards de paramètres destiné à la conduite autonome et aux robotaxis, publié sous licence commerciale ouverte. L'architecture combine un socle de 32 milliards de paramètres, bâti sur Cosmos 3 Super Reasoner et post-entraîné par apprentissage par renforcement, à un décodeur d'action de type diffusion de 2,3 milliards de paramètres. En un seul passage sur des vidéos multi-caméras à 360 degrés, le modèle produit une trajectoire planifiée, une explication causale de cette trajectoire et une méta-action comme céder le passage ou changer de voie. Les poids sont diffusés sous licence OpenMDW-1.1 de la Linux Foundation et le code sous Apache 2.0, ce qui autorise dès le premier jour le fine-tuning, la création de modèles dérivés et la redistribution commerciale, y compris pour les versions antérieures de la famille Alpamayo initialement pensées pour la recherche. Le modèle a été entraîné sur environ 115 000 heures de vidéos de conduite multi-caméras annotées, incluant 3,7 millions de traces dites Chain-of-Causation qui relient explicitement une décision de conduite à son raisonnement, sur un corpus dépassant le milliard d'images. Sur le benchmark LingoQA, Alpamayo 2 Super obtient un score Lingo-Judge de 79,2 et se classe premier parmi près de 40 modèles testés, devançant Qwen2.5-VL 72B de 17 points, Gemini 2.5 Pro de 15,1 points et GPT-4o de 23,2 points. Cette architecture cible spécifiquement les situations rares et complexes impliquant plusieurs agents sur la route, un point faible connu des chaînes classiques de détection et de prédiction utilisées par l'industrie. En liant explicitement perception, raisonnement et action dans un seul modèle, NVIDIA permet aux constructeurs et équipementiers de tracer pourquoi une voiture a pris une décision donnée, un enjeu central pour la certification et la confiance du public dans les véhicules autonomes. Les traces causales s'intègrent aux outils de validation de sécurité Halos de NVIDIA et respectent la norme ISO/PAS 8800. Utilisé comme outil d'auto-annotation sur des données de flottes propriétaires, le modèle permettrait, selon l'entreprise, de réduire des cycles d'annotation de plusieurs mois à quelques jours. Ce lancement s'inscrit dans la stratégie de NVIDIA de fournir une pile logicielle complète pour la conduite autonome, du silicium aux modèles de fondation. En rendant commercialement exploitable sans permission supplémentaire toute la famille Alpamayo, l'entreprise cherche à s'imposer comme fournisseur de référence face à des acteurs comme Waymo, Tesla ou les constructeurs chinois qui développent leurs propres piles de perception. Le modèle reste toutefois gourmand en ressources, testé sur un GPU H100 80 Go avec un pic de 72 115 Mo de mémoire, ce qui implique une distillation nécessaire avant tout déploiement embarqué dans un véhicule.

RobotiqueActu

1 source

2NVIDIA AI Blog

NVIDIA lance des compétences agents pour l'IA physique : véhicules autonomes, robotique et vision

NVIDIA a profité de la conférence CVPR 2026 pour dévoiler une série de nouveaux outils d'IA physique destinés aux chercheurs travaillant sur les véhicules autonomes, la robotique et les systèmes de vision artificielle. Ces annonces s'appuient sur le lancement, quelques jours plus tôt, de NVIDIA Cosmos 3, présenté comme le premier modèle fondamental unifié de l'industrie combinant raisonnement visuel, génération de mondes et génération d'actions. Parmi les outils dévoilés figurent InstantNuRec, qui reconstruit des scènes routières en 3D à partir d'images sans optimisation par scène ; AlpaGym, un framework open source d'apprentissage par renforcement en boucle fermée capable de s'exécuter sur des milliers de GPU ; OmniDreams, un modèle génératif qui produit des rendus photoréalistes en temps réel en réponse aux actions d'une politique de conduite ; et Alpamayo 2 Super, un modèle VLA (vision-langage-action) de 32 milliards de paramètres conçu pour le développement de véhicules autonomes de niveau 4. Le problème central que cherche à résoudre NVIDIA est la fragmentation des workflows en IA physique. Aujourd'hui, reconstruire une scène réelle, générer des scénarios rares, entraîner une politique, évaluer son comportement et itérer rapidement implique de jongler entre des outils disparates, ce qui ralentit considérablement la recherche. Pour les véhicules autonomes en particulier, le défi est la « longue traîne » des situations de conduite : les interactions rares, les géométries routières inhabituelles, les variations d'éclairage qui sont difficiles à collecter en conditions réelles mais critiques pour la validation. Les nouveaux outils de NVIDIA permettent aux agents IA d'automatiser ces étapes, de la reconstruction de scènes à partir de données de flotte jusqu'à la génération de conditions synthétiques variées. Pour la vision industrielle, des compétences Metropolis permettent de générer des défauts visuels rares sur différentes surfaces, résolvant le problème chronique du manque de données pour la détection d'anomalies. Ces annonces s'inscrivent dans une stratégie cohérente de NVIDIA pour s'imposer comme infrastructure de référence de l'IA physique, un marché qu'elle considère comme la prochaine vague majeure après les grands modèles de langage. Cosmos 3, socle de l'ensemble de l'écosystème présenté, est positionné comme modèle ouvert dominant sur les benchmarks publics de l'IA physique. En combinant simulation haute fidélité, modèles fondateurs ouverts et frameworks d'entraînement scalables, NVIDIA tente de reproduire avec l'IA embarquée et robotique ce qu'elle a réussi dans le calcul haute performance : rendre son infrastructure si centrale que les chercheurs n'envisagent pas d'alternatives. Les prochaines étapes passeront par l'adoption de ces outils par les grands constructeurs automobiles et les laboratoires de robotique, qui testent actuellement leurs capacités sur des flottes réelles.

UELes constructeurs automobiles européens (Renault, Stellantis, BMW) et les laboratoires de recherche en robotique pourront utiliser ces outils open-source pour accélérer le développement de véhicules autonomes de niveau 4 et réduire leur dépendance à la collecte de données réelles.

RobotiqueOpinion

1 source

3MarkTechPost

NVIDIA lance Cosmos 3 Edge, un modèle de monde ouvert à 4 milliards de paramètres capable de raisonner et de générer des actions robotiques en local

NVIDIA a dévoilé Cosmos 3 Edge, un modèle du monde open source de 4 milliards de paramètres conçu pour fonctionner directement sur des appareils embarqués, sans connexion à un centre de données. Il permet aux robots et aux agents de vision par IA de comprendre leur environnement, de raisonner en temps réel et de générer des actions robotiques en local. Ce modèle complète la famille Cosmos 3, dont les deux premières déclinaisons, Cosmos 3 Nano (16 milliards de paramètres) et Cosmos 3 Super (64 milliards), avaient été lancées le 31 mai 2026 lors de la GTC Taipei. Edge en constitue le troisième et plus petit palier, environ seize fois plus compact que Super. L'objectif est précis : offrir des performances proches de celles d'un centre de données à des machines aux ressources mémoire limitées, comme celles utilisées dans les usines, les entrepôts ou les hôpitaux. Sur le plan technique, Cosmos 3 repose sur une architecture Mixture-of-Transformers à deux tours : une tour autorégressive dédiée au traitement du texte et de la vision pour la compréhension et le raisonnement, et une tour de diffusion qui gère vision, audio et tokens d'action pour la prédiction, la génération et la simulation. Les deux tours partagent des couches d'attention multimodale tout en conservant des couches de normalisation distinctes. Cosmos 3 Edge s'appuie sur un transformeur dense de 2 milliards de paramètres pour son module de raisonnement, compatible avec les conventions de messages de Qwen3-VL. Cette avancée répond à un besoin concret de l'industrie robotique : déployer une intelligence capable de raisonner sur le monde physique directement sur des systèmes contraints en mémoire et en calcul, sans dépendre du cloud. Pour un bras robotique, une simple reconnaissance visuelle d'un objet ne suffit pas : il faut aussi suivre sa position, anticiper le mouvement du préhenseur et prévoir ce qui se produit au contact. En unifiant ces capacités dans un modèle compact, NVIDIA facilite l'intégration de l'IA embarquée dans des secteurs où la latence, la confidentialité des données et l'autonomie énergétique sont critiques, comme la logistique, la santé ou la production industrielle. Le modèle introduit une représentation d'action commune à plusieurs types de systèmes physiques, sous forme de vecteurs géométriques compacts capturant translation, rotation et état de manipulation, avec des dimensions variant selon le cas d'usage, de 9 pour une caméra ou un véhicule autonome jusqu'à 29 pour un robot humanoïde. En mode politique, Cosmos 3 Edge peut prédire une action à partir d'un état donné ou, inversement, déduire l'action à l'origine d'un changement visuel observé. NVIDIA a également publié Cosmos 3 Edge Policy (DROID), une politique de manipulation robotique entraînée sur le jeu de données DROID pour des tâches de préhension et de dépôt, illustrant la volonté de l'entreprise de rapprocher modélisation du monde et contrôle robotique concret.

UELes entreprises européennes de logistique, santé et industrie pourraient exploiter ce modèle open source pour déployer de l'IA embarquée sans dépendre du cloud, mais aucun acteur ou réglementation français/européen n'est directement concerne.

RobotiqueActu

1 source

4arXiv cs.RO

OpenPodcar2 : un véhicule ROS2 robuste pour la recherche en conduite autonome

Une équipe de chercheurs vient de publier les spécifications complètes d'OpenPodcar2, une plateforme de véhicule autonome open source construite à partir d'un scooter de mobilité électrique du commerce, équipé d'un toit rigide. Ce projet, qui fait suite à une première version baptisée OpenPodcar, intègre désormais une électronique renforcée et une interface complète avec ROS2, le système d'exploitation robotique de référence. La plateforme repose sur trois composants principaux : des instructions de montage détaillées accompagnées d'une liste complète de matériaux, une intégration avec la carte mécatronique généraliste OSH R4 ainsi qu'un environnement de simulation Gazebo, et enfin des implémentations logicielles de haut niveau incluant la pile nav2, qui assure la cartographie autonome (SLAM) et le pilotage du véhicule entre deux positions en évitant les obstacles. Le coût total de construction est estimé à environ 7 000 dollars avec des composants neufs, ou 2 000 dollars en réutilisant un scooter d'occasion. Le véhicule peut transporter un passager humain ou une charge équivalente à une vitesse maximale de 15 km/h. L'intérêt d'OpenPodcar2 réside dans l'équilibre qu'il propose entre utilité réelle, sécurité, coût et robustesse, un compromis rarement atteint dans ce domaine. Concrètement, le véhicule est suffisamment compact pour être garé dans un laboratoire de recherche standard, tout en étant assez solide pour envisager des cas de déploiement réels, comme un service de taxi autonome dit "dernier kilomètre" ou le transport de conteneurs de livraison dans des centres-villes. Cela ouvre des perspectives directes pour les chercheurs qui cherchent à tester des algorithmes de navigation sur un vrai véhicule sans investir des centaines de milliers de dollars. Le projet s'inscrit dans une tendance plus large de démocratisation des plateformes de recherche en véhicules autonomes. La montée en puissance de ROS2 comme standard dans la robotique mobile a rendu possible des intégrations logicielles plus stables et interopérables qu'avec la génération précédente. En abaissant drastiquement le seuil d'accès matériel et logiciel, OpenPodcar2 pourrait permettre à des laboratoires universitaires disposant de budgets limités de mener des travaux qui étaient jusqu'ici réservés à des acteurs industriels ou à de grands centres de recherche. La publication complète des plans et du code source favorise également la reproductibilité scientifique et la collaboration communautaire autour de ces systèmes.

UELes laboratoires universitaires européens à budget limité pourraient adopter cette plateforme open source pour conduire des recherches en navigation autonome sans investissement matériel prohibitif.

RobotiqueActu

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic