임의의 학습을 통해 훈련된 엔드투엔드 아키텍처는 모델 크기와 데이터 규모를 확장함으로써 자율주행 기술을 발전시켜왔으나, 감독 신호가 희박하고 인과적 이해가 제한된 안전이 핵심인 긴 꼬리(long-tail) 시나리오에서는 여전히 성능이 취약하다. 이를 해결하기 위해, 복잡한 주행 상황에서의 의사결정을 향상시키기 위해 인과 사고 체계(Chain of Causation)를 궤도 계획과 통합한 시각-언어-행동 모델(Vision-Language-Action model, VLA)인 Alpamayo-R1(AR1)을 제안한다. 본 연구는 세 가지 핵심 혁신을 포함한다: (1) 자동 레이블링과 인간-중개(human-in-the-loop) 프로세스를 결합한 하이브리드 파이프라인을 통해 구축된 인과 사고(Chain of Causation, CoC) 데이터셋으로, 주행 행동과 일치하는 의사결정 기반의 인과적 연결된 사고 흐름을 생성한다; (2) 물리적 AI 응용을 위해 사전 훈련된 시각-언어 모델 Cosmos-Reason과 확산 기반의 궤도 디코더를 결합한 모듈러 VLA 아키텍처로, 실시간으로 동적 실현 가능(planning)한 경로를 생성한다; (3) 사고를 유도하기 위해 지도 학습을 통한 미세 조정(supervised fine-tuning)과, 대규모 사고 모델의 피드백을 활용하여 사고 품질을 최적화하고 사고-행동 일관성을 강제하는 강화학습(Reinforcement Learning, RL)을 결합한 다단계 훈련 전략. 평가 결과, AR1은 경로만을 고려하는 기준 모델 대비 어려운 케이스에서 궤도 계획 정확도가 최대 12% 향상되었으며, 폐쇄 루프 시뮬레이션에서 차선 이탈률은 35%, 근접 접촉률은 25% 감소하였다. 강화학습 기반 사후 훈련을 통해 대규모 사고 모델 평가 기준으로 사고 품질이 45% 향상되었고, 사고-행동 일관성은 37% 개선되었다. 모델 규모를 0.5B에서 7B 파라미터로 확장함에 따라 일관된 성능 향상이 관찰되었다. 차량 내 실도로 테스트를 통해 실시간 성능(99ms 지연 시간)과 도심 환경에서의 성공적 적용이 확인되었다. 해석 가능한 사고와 정밀한 제어를 연결함으로써, AR1은 레벨 4 자율주행을 위한 실용적인 길을 제시한다. 향후 업데이트를 통해 AR1 모델과 CoC 데이터셋의 일부를 공개할 계획이다.