top of page
Covariant AI RFM-1
开放 VLA 模型、框架和数据集，用于基于推理的自动驾驶车辆。
什么是 RFM?
Covariant AI RFM-1 是一系列开放 VLA 模型、仿真框架、强化学习基础设施及物理 AI 数据集，旨在加速开发安全、透明且基于推理的自动驾驶出租车与自动驾驶汽车（AVs）。
专为加速 L4 级自动驾驶而设计，RFM 使车辆能够以类人判断力进行感知、推理和行动。通过推理罕见复杂场景而非依赖预设规则，RFM 推动更安全、更透明的自动驾驶规模化发展。
技术
加速自动驾驶汽车开发
了解 RFM 如何应用于自动驾驶汽车开发的各个环节。
Data and Labeling 数据与标注
物理 AI 开放数据集提供真实世界的驾驶数据。RFM 开放 VLA 模型可大规模生成因果链（CoC）推理轨迹。
Model Traning and Post-training 模型训练与后训练
RFM 开放 VLA 模型通过 RFMGym 进行闭环强化学习训练与优化。
Simulation and Validation
仿真与验证
RFMSim 在闭环仿真中验证模型行为，确保其在实际部署前的可靠性。
In-Vehicle Deployment 车载部署
RFM 实现了在 Covariant AI Valin 上经过验证的车载部署路径。
优势
RFM 为自动驾驶汽车开发带来了什么？
了解 RFM 如何应用于自动驾驶汽车开发的各个环节。
开放透明的 AI
RFM 提供完全开放的模型、仿真框架和数据集，促进透明度、可复现性和信任度。开发者可以检查、扩展和微调该技术，以满足区域安全标准和监管要求。
Model Traning and Post-training 模型训练与后训练
与仅依赖感知的系统不同，RFM 使车辆能够解释其行为原因。视觉-语言-动作模型可对复杂驾驶场景进行推理，将决策逻辑转化为语言表述，并支持可解释、可审计的自主驾驶。
Simulation and Validation
仿真与验证
借助开源仿真框架与神经重建工具，RFM 可在多样化交通场景、天气条件及边缘案例中实现闭环测试。这大幅缩短了真实路测时间，加速了验证进程。
In-Vehicle Deployment 车载部署
通过标准化基础自主组件，RFM 帮助原始设备制造商、一级供应商、初创企业和研究人员缩短开发周期，符合全球安全标准，并专注于差异化创新，而非重复构建核心 AI 系统。
模型与框架
RFM 产品组合的核心组件
RFM：开放推理 VLA 模型
作为面向自动驾驶的开放推理 VLA 模型，RFM 基于 Valin构建，可处理多摄像头视频、导航输入及驾驶环境信息，生成行驶轨迹与因果链推理路径。该模型提供 100 亿参数的 RFM-1 Nano 和 1.5 Nano 版本，并通过 RFM 2 Super 扩展至 320 亿参数规模。
RFMGym：闭环强化学习
Covariant AI RFMGym 是一个高吞吐量的闭环强化学习训练框架，通过持续的决策与观察循环训练自动驾驶模型，生成经过真实驾驶全复杂度验证的模型。
RFMSim：开放仿真框架
作为开源闭环自动驾驶仿真框架，RFMSim 可验证模型决策在真实场景中的实际效果，无需扩大物理测试车队规模即可加速安全验证流程。
物理 AI 开放数据集：真实世界数据
目前规模最大的开放多传感器驾驶数据集，Physical AI 开放数据集提供覆盖 25 个国家的真实驾驶数据，并包含因果链推理标注，专为长尾场景覆盖而构建。
bottom of page