芝能智芯出品
VLA（Vision-Language-Action）驾驶大模型是理想汽车在2025年八月即将实现重要落地的辅助驾驶。
不同于第一代的结构化算法和第二代的端到端系统，采用了新的视觉-语言-行为的多模态架构，使得车辆可以同时理解空间地理、语言意图和行为合理性，实现更好的出行体验。
Part 1VLA模型结构
VLA架构的本质，是在原端到端 VA（Vision-Action）模型基础上引入了Language思维模块，从而构建出能"理解"场景、"推理"路径并能"记忆"行为的大脑式模型。
设计的初衷是突破模仿学习的天花板——端到端架构，随着数据量扩增，其MPI（Miles per Intervention）提升逐渐趋缓，而VLA借助思维链条的加入，提升了模型泛化与适应未知场景的能力。
VLA司机大模型，让辅助驾驶变得更聪明、更安全，也更贴近人类司机的感觉，能“思考”和“理解”你在路上的需求。
◎ 提前避险，像老司机一样判断，过去的系统常常一到丁字路口就急刹车。但 VLA大模型会判断是否有盲区或潜在危险，提前减速，更加安全、稳妥，开起来让人放心。
◎ 加减速更自然，转弯超车也顺滑，能更好地感知周围环境，控制车辆的加速、刹车和转向，像一个技术熟练的司机，开车稳、坐车也舒服，不再有突然一脚油门或急刹那种不适感。
◎ 连续沟通，完成一整套任务，你可以直接对它说：“先去加油，再接孩子。”VLA司机大模型能理解多个指令之间的关系，自动规划路线，连续完成多个任务，像个真正听得懂话、有逻辑的人类司机。
VLA采用了0.4×8的MoE结构，为车载平台量身定制，在有限算力下平衡了多场景适配能力与推理速度。模型不仅能完成路径决策，还能接受连续语言指令完成串联任务，实现“与司机对话”的连续驾驶体验。
通过对通识知识、空间结构和人类驾驶风格的大量迁移学习，VLA逐步形成“拟人化”驾驶策略。
模型训练方面，理想在云端搭建了13 EFLOPS的算力平台，其中3 EFLOPS用于推理，10 EFLOPS用于训练，并基于此构建了32B参数量的多模态大模型。
该模型通过强化学习与模型蒸馏压缩为3.2B规模的MoE架构，并成功部署于车端Thor芯片上。该芯片采用INT8和FP8混合精度推理，有效算力达到1000 TOPS，在10Hz帧率下实现完整的视觉语言交互响应。
为了提升推理效率，理想引入了多项模型压缩策略，如Diffusion流匹配推理步骤压缩、MoE路由器动态激活机制等。例如传统Diffusion模型需10步生成路径，而通过Flow Matching方式压缩至2步推理，有效提升10Hz帧率下响应时延。
VLA从架构设计、数据结构、工程实现构建了一个具备思维与执行能力的驾驶体，在自动驾驶模型向GPT时刻迈进的过程中率先实现了工程落地。
Part 2从芯片压榨到世界仿真
在VLA落地过程中，需要通过工程优化将既有算力平台推至极限。
Thor芯片在理论算力700TOPS的基础上，通过INT8与FP8混合精度优化、PTX底层重写、CUDA魔改等手段实现1000 TOPS的推理效率，配合10Hz高帧率运行VLA模型来进行。
甚至在更低算力的Orin-X芯片上，也通过INT4混合精度与MoE精简部署，实现与Thor平台几乎相同的推理体验，保持同步推送能力。
数据与训练能力构成另一个核心支柱。数据闭环已累计超12亿有效驾驶数据片段，并以“老司机风格”为标注准则，清洗训练数据以符合高安全性、舒适度与规则要求。
当前模型以1000万Clips为基础训练量，通过QAT量化训练与自研工具链完成FP32至FP8/INT4模型的稳定收敛，并结合RLHF强化学习机制，确保每一版本模型能力不断逼近“人驾10倍安全性”的目标。
VLA模型真正实现飞跃的关键并非训练数据本身，而是世界模型与仿真环境的落地。
在物理世界成本高昂、反馈周期慢的背景下，理想自研的世界模型构建起一个完整具身智能训练空间，通过构建具Agent智能的3D物理环境，模拟红绿灯可视性、车辆行为反馈、碰撞响应等细节，实现在90%以上场景中以仿真方式替代实车训练。
系统支持每日30万公里以上的测试里程，总计仿真数据已超4000万公里。每一个仿真样本都经由大模型评测、评分、反馈并强化训练，构成完整闭环。
在OTA 7.5“超级对齐”升级版本中，VLA模型通过对40万+仿真场景的覆盖与评估，得分已全面超越上一代端到端模型。
理想的世界模型仿真能力构成VLA模型最重要的技术壁垒，加速了模型优化进程，还建立起行业领先的评测体系与行为奖励机制，为强化学习提供真实反馈，在模型具身智能能力不断增强的过程中，保障安全性、舒适性与合规性的有序进化。
小结
VLA可能是一条辅助驾驶的路径，从感知、决策、执行三元分离走向类人推理、交互与自主行为的整合。VLA的真正价值，不仅是驾驶更平顺、接管更少、交流更自然的“司机模型”。
原文标题 : 从“模仿”走向“思考”：VLA司机大模型带来的变化
芝能智芯出品
VLA（Vision-Language-Action）驾驶大模型是理想汽车在2025年八月即将实现重要落地的辅助驾驶。
不同于第一代的结构化算法和第二代的端到端系统，采用了新的视觉-语言-行为的多模态架构，使得车辆可以同时理解空间地理、语言意图和行为合理性，实现更好的出行体验。
Part 1VLA模型结构
VLA架构的本质，是在原端到端 VA（Vision-Action）模型基础上引入了Language思维模块，从而构建出能"理解"场景、"推理"路径并能"记忆"行为的大脑式模型。
设计的初衷是突破模仿学习的天花板——端到端架构，随着数据量扩增，其MPI（Miles per Intervention）提升逐渐趋缓，而VLA借助思维链条的加入，提升了模型泛化与适应未知场景的能力。
VLA司机大模型，让辅助驾驶变得更聪明、更安全，也更贴近人类司机的感觉，能“思考”和“理解”你在路上的需求。
◎ 提前避险，像老司机一样判断，过去的系统常常一到丁字路口就急刹车。但 VLA大模型会判断是否有盲区或潜在危险，提前减速，更加安全、稳妥，开起来让人放心。
◎ 加减速更自然，转弯超车也顺滑，能更好地感知周围环境，控制车辆的加速、刹车和转向，像一个技术熟练的司机，开车稳、坐车也舒服，不再有突然一脚油门或急刹那种不适感。
◎ 连续沟通，完成一整套任务，你可以直接对它说：“先去加油，再接孩子。”VLA司机大模型能理解多个指令之间的关系，自动规划路线，连续完成多个任务，像个真正听得懂话、有逻辑的人类司机。
VLA采用了0.4×8的MoE结构，为车载平台量身定制，在有限算力下平衡了多场景适配能力与推理速度。模型不仅能完成路径决策，还能接受连续语言指令完成串联任务，实现“与司机对话”的连续驾驶体验。
通过对通识知识、空间结构和人类驾驶风格的大量迁移学习，VLA逐步形成“拟人化”驾驶策略。
模型训练方面，理想在云端搭建了13 EFLOPS的算力平台，其中3 EFLOPS用于推理，10 EFLOPS用于训练，并基于此构建了32B参数量的多模态大模型。
该模型通过强化学习与模型蒸馏压缩为3.2B规模的MoE架构，并成功部署于车端Thor芯片上。该芯片采用INT8和FP8混合精度推理，有效算力达到1000 TOPS，在10Hz帧率下实现完整的视觉语言交互响应。
为了提升推理效率，理想引入了多项模型压缩策略，如Diffusion流匹配推理步骤压缩、MoE路由器动态激活机制等。例如传统Diffusion模型需10步生成路径，而通过Flow Matching方式压缩至2步推理，有效提升10Hz帧率下响应时延。
VLA从架构设计、数据结构、工程实现构建了一个具备思维与执行能力的驾驶体，在自动驾驶模型向GPT时刻迈进的过程中率先实现了工程落地。
Part 2从芯片压榨到世界仿真
在VLA落地过程中，需要通过工程优化将既有算力平台推至极限。
Thor芯片在理论算力700TOPS的基础上，通过INT8与FP8混合精度优化、PTX底层重写、CUDA魔改等手段实现1000 TOPS的推理效率，配合10Hz高帧率运行VLA模型来进行。
甚至在更低算力的Orin-X芯片上，也通过INT4混合精度与MoE精简部署，实现与Thor平台几乎相同的推理体验，保持同步推送能力。
数据与训练能力构成另一个核心支柱。数据闭环已累计超12亿有效驾驶数据片段，并以“老司机风格”为标注准则，清洗训练数据以符合高安全性、舒适度与规则要求。
当前模型以1000万Clips为基础训练量，通过QAT量化训练与自研工具链完成FP32至FP8/INT4模型的稳定收敛，并结合RLHF强化学习机制，确保每一版本模型能力不断逼近“人驾10倍安全性”的目标。
VLA模型真正实现飞跃的关键并非训练数据本身，而是世界模型与仿真环境的落地。
在物理世界成本高昂、反馈周期慢的背景下，理想自研的世界模型构建起一个完整具身智能训练空间，通过构建具Agent智能的3D物理环境，模拟红绿灯可视性、车辆行为反馈、碰撞响应等细节，实现在90%以上场景中以仿真方式替代实车训练。
系统支持每日30万公里以上的测试里程，总计仿真数据已超4000万公里。每一个仿真样本都经由大模型评测、评分、反馈并强化训练，构成完整闭环。
在OTA 7.5“超级对齐”升级版本中，VLA模型通过对40万+仿真场景的覆盖与评估，得分已全面超越上一代端到端模型。
理想的世界模型仿真能力构成VLA模型最重要的技术壁垒，加速了模型优化进程，还建立起行业领先的评测体系与行为奖励机制，为强化学习提供真实反馈，在模型具身智能能力不断增强的过程中，保障安全性、舒适性与合规性的有序进化。
小结
VLA可能是一条辅助驾驶的路径，从感知、决策、执行三元分离走向类人推理、交互与自主行为的整合。VLA的真正价值，不仅是驾驶更平顺、接管更少、交流更自然的“司机模型”。
原文标题 : 从“模仿”走向“思考”：VLA司机大模型带来的变化
