理想OTA最硬一战：近百万老车主迎来马赫VLA 2.0

改的全是以前最容易让人觉得别扭的几个环节：跟车、绕行、变道和博弈。。。。。。我们收集了一些理想用户升级OTA 8.6的实际上路表现，，，，，，，一起来看看。。。。。。 先看跟车：跟车更跟手，，，，，，，车辆提速更快，，，，，，，不再容易出现前车走了、自己还慢悠悠跟着的情况；；；；；；；；同时跟车过程也更平顺，，，，，，，对前车动作的理解更快，，，，，，，也能够更快做出反应： 变道超慢车的同时，，，，，，，发现那个要超的“慢车”同时也在变道，，，，，，，理想马赫VLA 2.0果断再次加速，，，，，，，完成了两次变道+超越慢车，，，，，，，而没有机械地因为“时机不好”取消超车。。。。。。 市面上最常见的超车变道能力，，，，，，，通常是简单的规则主导，，，，，，，即“前车”速度低于某个数值，，，，，，，必然启动变道，，，，，，，但缺乏对整体路况通行效率的考虑，，，，，，，所以常常出现变过去反而更慢（比如误入了转弯车道）的情况。。。。。。 泊车部分增加了非划线车位识别，，，，，，，连露营、路边临时停车这类不那么标准的空间也能尝试识别；；；；；；；；？？？？？？？？夭闯鲋С衷冻袒叫，，，，，，，不用提前站在车边等。。。。。。 更有意思的是，，，，，，，理想开始把AI眼镜Livis和App接进泊车流程，，，，，，，用户人在车外，，，，，，，直接说一句“帮我泊车”或者“向前开5米”，，，，，，，车辆就能执行相应操作。。。。。。 至于智能座舱和智能电动，，，，，，，这次更多是体验层面的升级：座舱新增转向盲区影像、哨兵多视角上传，，，，，，，音乐、视频和目的地预测等功能同步升级；；；；；；；； 所以，，，，，，，理想OTA 8.6最核心的变化，，，，，，，还是理想马赫VLA 2.0把智驾从“完成动作”，，，，，，，进一步推向“处理复杂情况”；；；；；；；；而眼镜控车则开始把这种自动化能力从道路延伸到整个用车过程。。。。。。 理想OTA 8.6背后的真正难点，，，，，，，不是把理想马赫VLA 2.0简单蒸馏成一个轻量版，，，，，，，而是让同一套模型能力跨过不同年代、不同算力乃至不同计算架构的芯片，，，，，，，最终尽可能带给原用户近乎一致的驾驶体验。。。。。。 理想的做法，，，，，，，是先在云端训练更强的教师模型，，，，，，，再针对马赫、Thor-U、Orin-X等平台，，，，，，，把能力迁移到各自的车端学生模型上。。。。。。难就难在，，，，，，，这几套硬件并不是简单的“高低配”。。。。。。 马赫M100采用动态数据流架构，，，，，，，Orin-X和Thor-U则是GPU架构，，，，，，，连底层计算方式都不同；；；；；；；；同时，，，，，，，Thor-U可以使用FP4、FP8，，，，，，，Orin-X高效部署则主要依赖INT8。。。。。。因此从马赫迁移到英伟达平台，，，，，，，模型结构、Token预算、量化、算子和部署策略都要重新设计。。。。。。 这里还有一个很关键的训练思路：不是让学生模型一味照抄教师模型的标准答案，，，，，，，而是让它自己先开、自己做判断，，，，，，，再专门抓住它容易犹豫、容易犯错的地方，，，，，，，让教师模型及时纠偏。。。。。。 这样训练出来的模型，，，，，，，学到的不是一套“标准答案”，，，，，，，而是自己在真实道路上遇到问题时应该怎么处理，，，，，，，因此更有利于改善上车之后的实际表现。。。。。。就像学生学会老师的解题思路，，，，，，，也一样能解开难题。。。。。。 理想过去4、5年搭起来的自研模型、Harness、自研操作系统、编译器团队和自研芯片，，，，，，，实际上共同组成了一套从训练到部署、再到车端执行的完整体系。。。。。。 一辆车通常要用五六年，，，，，，，但AI模型几个月就可能换一代。。。。。。新车可以直接匹配最新模型，，，，，，，真正困难的是，，，，，，，硬件已经冻结的老车，，，，，，，能不能继续跟上AI能力的迭代。。。。。；；；；；；；；蛘咚，，，，，，，愿不愿意让这些硬件冻结的老车，，，，，，，跟上AI能力的迭代。。。。。。 这也是为什么，，，，，，，理想强调老用户是最宝贵的资产的同时，，，，，，，也让我们看到过去几年建立的自研模型、自研芯片、星环OS、Harness和编译器五大体系协同起来时，，，，，，，会有怎样的爆发力。。。。。。

本页 /tag/2025%E5%B9%B4%E5%85%8D%E8%B4%B9%E8%B5%84%E5%A4%A7%E5%85%A8