理想VLA研发加速9个月，理想技术实力不止冰箱彩电大沙发

理想AI Talk第二季的核心内容还是之前理想在英伟达GTC大会上的那篇演讲《VLA：迈向自动驾驶物理智能体的关键一步》，只是这次主讲人换成了李想，也补充了一些更详细的信息。

1、 理想做了一个32B云端VL基座模型，这个模型是专门用于视觉和语言的多模态基座大模型，可以处理长思维链、进行长任务拆解。同时蒸馏出一个3.2B的小模型，加上Action后训练部分，组合成一个4B的VLA司机大模型，这样双Orin X或者Thor-U的算力就能在车端跑了。并且因为DeepSeek的开源，让VLA研发加速了9个月的时间。

2、 理想的VLA司机大模型有两个比较特别的地方，一是支持短CoT（思维链），一般两步到三步，否则延时太长，这样能够确保安全。这种短CoT可以解决比如“靠边停车”“前方掉头”这类短指令，实现语音控制车辆轨迹。另外Action做完以后，还做了一个diffusion（扩散模型）的预测，这个主要根据性能会做来4到8秒的一个diffusion的轨迹和环境的预测，更接近人类驾驶。

3、 理想在做到了1000万Clips以后，在去年底成立了一个约100人的超级对齐的团队。这个团队要做的事情是VLA大模型的“价值观”要和人类驾驶规则对齐。比如模型能力很强，但不遵守交通规则、经常去加塞等等，做出来一些让人类坐在车上感觉不安的行为。所以理想希望通过强化训练的环节，必须把人类的这些规则、习俗、驾驶习惯，对于很多东西的判断，变成整个预训练的反馈。

4、 李想个人认为并不会出现通用的Agent，而是每个专业领域做专业的Agent。他认为，VLA司机大模型要做好，所有的vision的语料，language的语料，和action其实都是和交通相关的，做不了一样的。

5、 关于端到端和VLA的关系，李想认为端到端是VLA的基础，是VLA的A的部分，不做端到端+VLM是没有办法一步抵达VLA的。

6、 李想反驳了那些说理想只有冰箱彩电大沙发、没有核心技术的说法。他举了一个例子，为什么大家做端到端和VLM很难？是因为这个Orin芯片并不支持直接跑语言模型。但是理想有编译团队，有芯片的能力，有主板设计能力，有操作系统能力，所以理想能够把两个Orin-X带宽做到足够的大，它同样可以跑同等规模的VLA的模型。理想这方面的技术都是非常扎实的，基本功和能力永远是无法逾越的。

文｜JackieLXX

图｜网络