Alpamayo-R1（Alpamayo 1）とは｜論文で読む因果推論の仕組み・評価結果と1.5との違い

Alpamayo-R1は、NVIDIAが2025年10月に論文（arXiv 2511.00088）で発表した自動運転向けのVLA（Vision-Language-Action）モデルです。カメラ映像から6.4秒先までの走行軌跡を出し、その前に「なぜその操作を選ぶのか」を英文で書き出します。重みは2025年12月3日にHugging Faceで公開され、CES 2026のあとに「Alpamayo 1」へ改称されました。

本記事では、論文の改訂版（v2・2026年1月7日）と2026年11月時点のモデルカード・GitHubをもとに、判断理由のデータの作り方、モデル構成、学習の手順、評価値の前提条件を整理します。論文の数値と公開された重みの性能は同じではないため、その差と後継のAlpamayo 1.5での変更点も扱います。Alpamayo 2 Superを含むファミリー全体の構成とライセンスはアルパマヨ（Alpamayo）の全体像と2 Superまでの系譜にまとめています。

まとめ：Alpamayo-R1の要点

• Alpamayo-R1とAlpamayo 1は同じモデルです。Hugging FaceのIDは今も nvidia/Alpamayo-R1-10B で、本体8.2B（Cosmos-Reason）と軌跡を描く部分2.3Bの構成です。
• 中核はChain of Causation（CoC）データです。判断を15種類の選択肢に固定し、判断の瞬間より前に見えていた物だけを理由に書かせることで、後付けの説明を防いでいます。
• 論文の改善率は評価条件と併せて読む必要があります。12%改善は0.5Bモデルの難所データ、35%減はルート入力なしの75シナリオでの結果で、路外逸脱率は3%から4%へわずかに悪化しています。論文v1ではこの2つの指標名が逆に書かれていたため、「路外逸脱35%減」と紹介している解説はv1の表記です。
• 公開されたAlpamayo 1の重みは強化学習をしていません。論文で推論品質を45%上げた強化学習、ルート指示の入力、質問応答は、2026年3月のAlpamayo 1.5で入りました。
• 車にそのまま載せる運転システムではありません。GitHubのREADMEは研究・評価用と明記しており、新規に使うなら公式も1.5以降を勧めています。

論文・公開モデル・改称の対応関係

「Alpamayo-R1」は論文の名前、「Alpamayo 1」は製品としての名前です。時期によって呼び方が変わっただけで、2025年12月に公開された10Bの重みは1つしかありません。

NVlabs/alpamayoのREADMEは冒頭で、このリポジトリはもう活発には開発しないと告知し、新しい版へ移るよう案内しています。微調整と強化学習のスクリプトも2026年5月にalpamayo-recipesへ移されました。Alpamayo-R1は現在「1.5や2 Superの設計を理解するための原典」という位置づけです。

Chain of Causation（CoC）データセットの作り方

論文が最も紙幅を割いているのは、モデルの構造よりも判断理由のデータの作り方です。CoCデータセットは70万本の動画区間に、運転の判断とその原因を結びつけた文章を付けたものです。

既存の推論データにあった3つの欠陥

論文は、自動運転向けの既存の推論データ（思考の連鎖＝Chain of Thought形式の注釈）に次の問題があると指摘しています。

• 操作が曖昧：「慎重に進む」のように、実際の軌跡と対応しない言い回しで終わっている。
• 理由が表面的：周囲の様子を描写するだけで、自車の判断の原因になっていない。
• 因果の混同：注釈者が動画全体を見て書くため、判断の時点ではまだ見えていない未来の出来事が理由に混ざる。

3つ目が特に深刻です。学習中のモデルには過去の映像しか入力されないので、未来の情報を含む理由文を真似させると、根拠のない説明を書く癖が付きます。

運転判断の分類：縦7種類・横8種類の選択肢

理由文が軌跡と対応するように、判断は自由記述にせず、閉じた選択肢から選ばせます。縦方向（加減速）が7種類、横方向（操舵）が8種類で、それぞれ最大1つ（または「なし」）を選びます。

そのうえで、判断の原因になった物（信号、先行車、歩行者、工事区間など）を「重要な要素」として別に注釈し、最後に両者をつないだ文章を組み立てます。

キーフレーム注釈：過去の観測に基づく原因の特定

元の走行ログは1本20秒で、過去2秒を見て未来6秒を予測する形に切り出します。反応型シナリオでは、通常、行動変化の約0.5秒前をキーフレームに選びます。先読み型シナリオでは、操作を検討・準備している時間範囲から注釈対象を選びます。人手の注釈は2段階に分かれ、第1段階では過去2秒の映像だけを見て重要な要素を挙げ、第2段階で未来側の映像を見て判断を選びます。専用ツールで過去と未来の映像を分けて表示し、未来の出来事が理由に混ざるリスクを抑えます。

キーフレームの決め方はシナリオごとに定義されています。例えば割り込みでは「相手車がウインカーを出した時点、または出さずに車線中央から外れ始めた時点の早いほう」です。

自動ラベルと人手の配分

70万本すべてを人手で書くのではありません。大半はGPT-5などのVLMによる自動ラベルで、人手で確認した高品質データは全体の約1割です。自動ラベルでは、2Hzに間引いた映像に自車の軌跡や加減速の記録を添えてGPT-5に渡し、過去2秒で要素を挙げてから未来6秒で判断を確定させます。

品質は、2,000サンプルの評価セットでGPT-5に「判断は正しいか」「原因は映っているか」「因果は成り立つか」を真偽で答えさせて測ります。この自動評価は人手の評価と92%一致したと報告されています。人手の注釈は別の注釈者が全件を点検し、さらに10〜20%を専門チームが監査します。

この自動ラベルの仕組みは、2026年5月に「CoC Autolabeler」としてGitHubで公開されました（Apache-2.0）。GPT-5系のAPIを使う構成ならGPUは不要で、ローカルのQwenで回す構成も用意されています。自社の走行ログに判断理由を付けたい場合は、モデル本体よりこちらが直接役に立ちます。

アーキテクチャ：Cosmos-Reasonと軌跡デコーダーの分業

モデルは、NVIDIAのフィジカルAI向け視覚言語モデルCosmos-Reasonを本体にし、軌跡を描く「アクションエキスパート」を後ろに付けた構成です。フィジカルAI向けに事前学習した本体を使う理由として、論文は運転シーンの質問応答ベンチマークLingoQAでCosmos-Reason-7BがQwen2.5-VL-7B（62.2%）やGPT-4V（59.6%）を上回る66.2%を出した結果を挙げています。

入力：カメラ映像と自車運動の履歴

公開版の入力は、前方広角・前方望遠・左右の交差方向の4カメラ映像を、10Hzで0.4秒分（各4フレーム）と、自車の位置・姿勢の履歴16点です。1080×1920の画像は内部で320×576に縮小されます。モデルカードは、この条件以外では主に学習も検証もしていないと注記しています。

論文本体の実験は、120度の前方広角と30度の前方望遠の2カメラが中心です。複数カメラでトークン数が膨らむ問題には、3次元の格子に映像をまとめるトライプレーン方式（トークン3.6分の1）や、時系列ごと圧縮するFlex方式（最大20分の1）も試していますが、既定は1枚ずつのトークン化です。

出力軌跡：64点の加速度・曲率による表現

出力は0.1秒刻みで6.4秒先までの64点です。座標をそのまま学習するとセンサーのノイズで収束が悪くなるため、軌跡を「各時点の加速度と曲率」の列に直し、一輪車モデルで位置に戻す表現を採っています。

学習時は64点×2値を128個の離散トークンにして、判断理由の文章と同じ列で次トークン予測させます。推論時はこのトークンを使わず、アクションエキスパートがフローマッチング（拡散モデルの一種）で連続値の軌跡を生成します。論文の表12では、同規模・同じ学習データ・ルート入力ありの条件で、6個の圧縮された離散トークンを順に出す方式と比較しています。加速度が快適性の範囲に収まる軌跡の割合は44.05%から97.38%に上がりました。

推論の順序：理由生成から軌跡生成への接続

本体はまず映像と自車履歴を読み込み、判断理由の文章を生成します。アクションエキスパートはその文章まで含めた本体の内部状態（KVキャッシュ）を参照して軌跡を描きます。理由が先に確定し、軌跡はそれに条件付けられる順序です。そのため「止まってから発進する」と書いたのに途中で止まったままになる、といった理由と動作のずれが起こりえます。これを減らすのが次の強化学習です。

3段階の学習：行動の注入・CoCによるSFT・強化学習

学習の段階1・2：行動表現の学習とCoCによるSFT

第1段階では、走行データ全体で視覚言語モデルに軌跡トークンを学習させ、アクションエキスパートを追加します。第2段階で、CoCデータによる教師あり微調整（SFT）を行い、判断理由と軌跡をまとめて出力させます。論文は、SFTだけでは理由が本当に映像に基づいているか、行動が理由どおりかを保証できないとして、第3段階を置いています。

段階3：3種類の報酬による強化学習

アルゴリズムはGRPOで、報酬は次の3つです。

• 推論品質：DeepSeek-R1やCosmos-Reasonのような大型推論モデルを採点者にし、正解の理由文と比べて0〜5点で採点する。
• 理由と行動の一致：理由文が述べた判断と、実際に生成した軌跡が合っているか。
• 安全性：危険な軌跡や物理的にありえない軌跡を減点する。

0.5Bモデルで報酬の組み合わせを変えた結果が次の表です（出典：論文v2 表9）。6本生成したうちの最も確からしい1本で測っています。

注目すべきは2行目です。推論品質だけを報酬にすると採点は3.1から4.5に上がりますが、軌跡の誤差（ADE）と理由との一致はむしろ悪化しました。もっともらしい理由文を書くことと、その通りに運転することは別の能力だという結果です。説明できるAIを作るなら、説明の採点だけで学習させてはいけないという教訓になります。

強化学習は計算が重いため、全データでは行っていません。モデル自身の予想と報酬の評価が食い違うサンプルを優先して集め、同程度の無作為サンプルを混ぜたデータで学習しています。

評価結果：見出しの数値と前提条件

論文の要旨に並ぶ数値は、それぞれ評価の条件が違います。ADEは予測軌跡と正解軌跡の各時点の距離を平均した誤差で、minADE₆は生成した6候補のうち、この誤差が最小の候補の値です。以下のminADEは6.4秒先までを評価したminADE₆を指します。モデル規模も0.5Bと10Bが混在しているので、条件と一緒に読む必要があります。

社内データでの比較：理由を学習させた効果

比較の基準は「軌跡だけで微調整したモデル」です。難所データでの12%改善は0.5Bモデルの値で、通常のデータではルートなしで1.6%（0.971m→0.955m）、ルートありで4.8%（0.834m→0.794m）にとどまります。理由の学習が効くのは、複数の判断を先読みする難しい場面だということです。

閉ループの評価は、実走行ログを3D Gaussian Splattingで再構成したシミュレーターAlpaSimで、混雑した75シナリオに対して行われています。接近率の報告値は17±3%から11±2%へ低下しました。一方、路外逸脱率は3±2%から4±3%で、点推定では改善していません。評価データは米国と欧州の社内データで、学習地域と分けたうえでの結果ですが、外部からは再現できません。

論文v1とv2の違い：入れ替わった閉ループの数値

同じ75シナリオの結果は、v1とv2で表の列の名前と値の並びが変わっています。v1の要旨は「路外逸脱率35%減・接近率25%減」でしたが、v2の要旨は「接近率35%減」だけになり、路外逸脱率は本文で「同程度（4%対3%）」と書き直されました（出典：論文v1・v2 表8）。

v2では接近率を「全件」と「自車に責任がある分」の2列に分け、後者は6%から5%でした。「35%」という数字は同じでも指している指標が違い、v2の記述では路外逸脱は改善していません。国内の解説記事にも「オフロード率35%減・クローズエンカウンター率25%減」とv1の表現を引いたものがあるため、数値を引用するときは版を確かめてください。

公開データでの比較：0.5Bと10Bの差

論文v2は、公開データセットPhysicalAI-AVでの結果も載せています（出典：論文v2 表10）。

閉ループは920シナリオで、自車に責任がある事象だけを数えた値です。AlpaSimスコアは「接近や路外逸脱が起きるまでに平均何km走れたか」を表すので、10Bでも0.72kmごとに何らかの事象が起きている計算になります。路外逸脱率16%も低い数字ではありません。研究用のベンチマークとして改善幅を見る指標で、実車の安全性を保証する値ではないと理解しておくべきです。

99msの内訳：遅延の大半は理由の生成

論文の車載試験向けの計測（出典：論文v2 表14）では、映像の符号化3.43ms、プレフィル16.54ms、理由文（40トークン）の生成70ms、軌跡生成8.75ms（5ステップ）で合計99msでした。理由を出さず軌跡だけを出す構成なら29msです。軌跡も離散トークンで順に出すと222msかかり、合計312msになります。

つまり「理由を言葉で書く」ことが遅延の7割を占めています。理由文が長くなれば、自動運転で一般に求められる100msを超えます。説明可能性とリアルタイム性はトレードオフの関係にあり、NVIDIAが大型モデルを車載でなくクラウドの教師モデルとして位置づけ、エッジAIとして車に載せるのは蒸留した小型モデルとしている理由の1つと読めます。蒸留後の精度は後述の「蒸留レシピで約2Bへ小型化した場合の精度」で扱います。

論文と公開モデルの違い：Alpamayo 1は強化学習前の重み

論文の評価結果は、そのまま公開モデルの性能を表すものではありません。GitHubのREADMEは、公開版でできないことを次のように明記しています。

推論品質45%向上や安全性の報酬による接近率3.7%は、公開されたAlpamayo 1の重みには反映されていません。

モデルカードの評価値と論文の値の違い

モデルカードにある公開データでの値も、論文と条件が違います。Alpamayo 1のモデルカードはAlpaSimの910シナリオでスコア0.73、PhysicalAI-AVの937サンプルでminADE 1.22mとしています。Alpamayo 1.5のモデルカードは913シナリオで1.37、1,434サンプルで0.916mです。シナリオ数とサンプル数が違うので、版どうしの差は厳密な比較ではなく目安として見てください。

強化学習レシピで後学習する場合の条件

公開重みに自分で強化学習をかける手段として、alpamayo-recipesのalpamayo1_x_rlが用意されています。Alpamayo 1と1.5の両方に対応し、Cosmos-RLとGRPO（GRPOの仕組み）でオープンループの後学習を行います。後学習の対象は、軌跡を離散トークンで出す版のVLM本体です（READMEの表記は「VLM backbone with discrete action-token variant」）。推論時にアクションエキスパートがフローマッチングで軌跡を出す公開版の構成とは、学習する形が異なります。READMEが示す条件は次のとおりで、論文の学習を手元で再現するものではありません。

• GPU：1ノードでの動作確認でも、80GB以上のVRAMを持つGPUが5枚以上必要です。H100×8のノードで約10分の確認用設定が載っています。
• 報酬：同梱の報酬は「デモ実装」で、正解軌跡との誤差（ADE）と乗り心地（加速度・ジャーク等の範囲内に収まった割合）の2つだけを採点します。理由文は採点しません。
• 理由文の報酬：理由文も採点する設定では、例としてWayveの採点モデルLingo-Judgeを使います。論文の「理由と行動の一致」に当たる報酬はREADMEに記載がなく、必要なら採点クラス（BaseReasoningGrader）を継承して自分で用意することになります。

上の表で見たとおり、論文では推論品質だけを報酬にすると軌跡が悪化しました。同梱の報酬をそのまま回すと逆に軌跡だけを最適化する形になるので、理由文の質を保ちたいなら報酬の設計から手を入れる必要があります。

蒸留レシピで約2Bへ小型化した場合の精度

2026年11月5日には、10Bを教師にして、Cosmos-Reason2-2Bと小型のアクションエキスパートからなる約2.25Bの生徒モデルへ縮める蒸留レシピ（alpamayo_distillation）が追加されました。NVIDIA DRIVEで動かすための推論コスト削減が目的です。ただし蒸留そのものの学習は重く、Alpamayo 1の子レシピは80GBのH100を128基以上推奨し、共通のREADMEはデータ用に100TB以上のストレージを求めています。READMEに載っているAlpamayo 1（R1-10B）の結果は次のとおりです。

値はminADE₆で、括弧内は教師に対する誤差の増加です。「エキスパート2段階」は、軌跡を出す部分だけにSFTと報酬の微分を使う微調整（DRaFT）を追加した状態を指します。蒸留のみでは教師よりminADE₆が10.4〜14.1%増え、エキスパートの追加学習後は6.5〜10.2%増となります。ここで比べているのは軌跡の精度だけで、1本だけ生成したときの誤差（greedy ADE）はfull-PAI-valで教師より2.8〜3.7%小さくなっています。2026年11月10日時点で、蒸留した2Bの重みはHugging Faceのnvidia名義のモデル一覧にありません。

Alpamayo 1.5で変わった点

Alpamayo 1.5は、READMEの言葉では「論文に書いた内容を完全に実現した」版です。規模は同じ10Bで、次の点が変わりました。

使い方の面では、軌跡と理由を出す sample_trajectories_from_data_with_vlm_rollout に加えて、文章だけを返す generate_text が用意され、映像についての質問に答えられるようになりました。どちらの版もモデル重みのライセンスはOpenMDW-1.1、推論コードはApache-2.0です。ただしモデルカードには「非商用向け」とする旧来の一文も残っており、商用利用の判断はAlpamayoファミリーの解説のライセンスの章で整理しています。

推論コードで見る入力と出力

公式リポジトリの test_inference.py から要点だけを抜き出すと、入出力の形がよく分かります（変数の受け渡しを一部まとめ、コメントを日本語にしています）。実行にはLinux、24GB以上のVRAMを持つNVIDIA GPU、Python 3.12が必要で、初回に約22GBの重みを取得します。環境構築の手順はAlpamayoの解説記事の「動かすのに必要な環境」の章を参照してください。

import torch
from alpamayo_r1.models.alpamayo_r1 import AlpamayoR1
from alpamayo_r1.load_physical_aiavdataset import load_physical_aiavdataset
from alpamayo_r1 import helper

# 公開データセットから1クリップを読み込む（t0_usは基準時刻のマイクロ秒）
data = load_physical_aiavdataset("030c760c-ae38-49aa-9ad8-f5650a545d26", t0_us=5_100_000)
messages = helper.create_message(data["image_frames"].flatten(0, 1))

model = AlpamayoR1.from_pretrained("nvidia/Alpamayo-R1-10B", dtype=torch.bfloat16).to("cuda")
processor = helper.get_processor(model.tokenizer)
inputs = processor.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=False,
    continue_final_message=True, return_dict=True, return_tensors="pt",
)
model_inputs = helper.to_device({
    "tokenized_data": inputs,
    "ego_history_xyz": data["ego_history_xyz"],  # 自車位置の履歴
    "ego_history_rot": data["ego_history_rot"],  # 自車姿勢（回転行列）の履歴
}, "cuda")

with torch.autocast("cuda", dtype=torch.bfloat16):
    pred_xyz, pred_rot, extra = model.sample_trajectories_from_data_with_vlm_rollout(
        data=model_inputs, top_p=0.98, temperature=0.6,
        num_traj_samples=1, max_generation_length=256, return_extra=True,
    )

print(extra["cot"][0])  # Chain of Causationの理由文
# pred_xyzの形は [バッチ, 軌跡セット, サンプル数, 64点, xyz]

理由文は extra["cot"] に、軌跡は自車座標系の64点として pred_xyz に入ります。num_traj_samples を増やすと複数の候補軌跡と理由文を得られますが、その分VRAMを使います。出力は乱数に依存するため、同じ入力でも実行ごとにminADEが変わる点はスクリプト自身が注意書きしています。

Alpamayo 1.5では、クラス名が Alpamayo1_5、モデルIDが nvidia/Alpamayo-1.5-10B になり、helper.create_message にカメラ番号 camera_indices を渡す形に変わります。import元もモデル・データローダー・helperのすべてを alpamayo1_5 配下へ変更します。基本的な処理の流れは同じです。

Alpamayo-R1を選ぶべきでない場面

2026年11月時点で、新規の推論評価には原則として1.5を選びます。ただし、以下には1.5でも解消しない制約や、Alpamayo 1の後学習が必要な研究目的も含まれます。

• 論文の強化学習の効果を確かめたい：公開版の重みだけでは検証できません。1.5は本体や学習データも変わっているため比較の相手にならず、alpamayo1_x_rlでAlpamayo 1を自分で後学習することになります。80GB級のGPUが5枚以上要り、理由と行動の一致を採点する報酬はREADMEに無いため自分で用意します。
• ルート指示やカメラ台数を変えたい：Alpamayo 1は4カメラ・ルートなしの固定です。
• 車両にそのまま組み込みたい：READMEは、冗長な安全機構も車載グレードの検証も無く、完成した運転スタックではないと明記しています。
• VRAMが24GB未満：16GBクラスのGPUではメモリ不足になると公式FAQが書いています。

逆にAlpamayo-R1の論文が今も役に立つのは、判断理由のデータを自前で作る場面です。判断を閉じた選択肢に固定する、過去の映像だけで原因を書かせる、自動評価を人手と突き合わせる、という設計は、自動運転に限らずロボットや自動運転E2Eモデルの説明可能性を扱う開発にそのまま使えます。判断理由の付いた学習データの設計や、自社データでのモデル開発を進める場合は、AIエンジン開発で相談を受け付けています。

よくある質問

Alpamayo-R1とAlpamayo 1は違うモデルですか？

同じモデルです。CES 2026での発表のあと、NVIDIAはAlpamayo-R1をAlpamayo 1に改称し、モデルカードにもその旨を注記しました。Hugging FaceのIDは改称後も nvidia/Alpamayo-R1-10B のままです。

Alpamayo R1.5やAlpamayo R2というモデルはありますか？

公開モデルの正式名としては使われていません。後継はAlpamayo 1.5（現在の表記はAlpamayo 1.5 Nano）、その次は34BのAlpamayo 2 Superです。2026年10月に発表された車載向け2BのAlpamayo 2 Edgeは、11月10日時点で重みが公開されていません。なお、NVIDIAのAlpamayo案内ページには、1.5のNIMエンドポイントを指して「Alpamayo R1.5」と書いた箇所があります。指しているモデルは同じなので、モデルID nvidia/Alpamayo-1.5-10B で確認してください。Alpamayo R2という名前のモデルはありません。2026年11月10日時点でHugging Faceのnvidia名義で公開されているAlpamayoのモデルは、Alpamayo-R1-10B、Alpamayo-1.5-10B、Alpamayo2-Superの3つです。

パラメータ数はいくつですか？

モデルカードの記載は、本体（Cosmos-Reason）が8.2B、軌跡を生成するアクションエキスパートが2.3Bで、合わせて約10Bです。論文には比較用の0.5B版も登場しますが、こちらはHugging Faceで公開されていません。

Alpamayo recipesでは何ができますか？

Alpamayo 1と1.5向けの学習レシピ集です。2026年11月時点で、SFT、オープンループの強化学習、約2Bへの蒸留、1.5の量子化（FP8・NVFP4）と投機的デコードのレシピがあります。Alpamayo 1の微調整と強化学習のスクリプトは2026年5月に元のリポジトリからここへ移されました。

学習データはどれくらいですか？

論文とモデルカードによると、25か国・2,500以上の都市で集めた8万時間分のマルチカメラ走行映像と、70万件のCoC理由文です。理由文は英語で、走行データの大部分はNVIDIAの社内データのため、学習データ全体は公開されていません。

関連記事

• アルパマヨ（Alpamayo）とは｜NVIDIA自動運転AIの読み方・仕組みと2 Super・2 Edgeまでの系譜
• フィジカルAIとは？自動運転での役割と生成AIとの違い、レベル4と国の投資額【2026年11月】
• Cosmos 3とは｜NVIDIAのフィジカルAI向けオムニモデル、Nano・Super・Edgeの違いと動かし方【2026年10月】
• GRPOとは？公式（目的関数・アドバンテージ）の読み方とPPOとの違い・TRL実装【2026年10月】
• Wayve GAIAとは｜最新GAIA-4とGAIA-3の違い、世代別スペックと評価の限界