车圈事｜小鹏第二代VLA升级！将在小鹏G9LMax版上首发

深圳商报·读创客户端首席记者 陈小慧

9月15日，记者从小鹏集团获悉，小鹏第二代VLA大模型迎来首次重大升级，模型开始真正“理解时间”。15日，小鹏通用智能中心负责人刘先明撰写长文，系统回顾了第二代VLA升级背后的技术路径，也进一步阐明了小鹏为什么要从“真实物理世界的客观约束”出发，重新思考模型架构。

蒸馏不只是把模型缩小 需靠底层架构升级

对于第二代VLA蒸馏版，刘先明表示：“我们不希望蒸馏只是把模型缩小、砍半甚至剪枝，以适配更低算力的芯片；同时，也希望尽可能保留第二代VLA原始的能力和风格。让更强的基座模型惠及更多车型，需要靠底层架构升级和技术突破，而不是简单粗暴地‘一刀切’。”

刘先明认为，物理AI要解决的问题，是理解一个持续变化的世界，并在其中行动。对智能汽车来说，这意味着模型既要看懂眼前的道路，也要记住刚刚发生了什么，判断接下来可能发生什么，再及时做出行动。第二代VLA的这次升级，围绕这一核心目标展开：把时间纳入模型，在有限车端算力下扩大能力边界，再通过架构优化与蒸馏，让这些能力进入更多车型。

据了解，小鹏选择从学生模型架构、教师模型、基础能力和训练数据等多个环节重新设计能力迁移，在算力受限的情况下，尽可能保留第二代VLA的能力和风格，让更强的基座模型真正惠及更多车型。针对双Orin平台的蒸馏，由于涉及跨平台、跨模型架构的能力迁移，技术挑战更大，需要进一步深入到底层架构乃至算子层面进行优化。目前，这一方向已经取得突破性进展。

从第二代VLA蒸馏版实测来看，这套技术思路也在真实体验中得到了印证：模型基础能力、场景理解、空间理解、驾驶效率，以及红绿灯预起步等细节表现，都给体验者带来了超预期的感受。

业内人士认为，更强的基座模型能力，并不只属于高算力车型，也可以通过技术重构真正下沉到更多用户的日常驾驶中。小鹏集团相关负责人表示，后续蒸馏版VLA Lite也将随着基座模型的能力升级而持续优化：基座模型越强，蒸馏后的能力就越强，持续向L2能力的更高上限迈进。

如何蒸馏？实现有效的算力和能力平衡

对于如何把第二代VLA蒸馏版部署到算力更有限的平台上，刘先明认为有几个关键的技术问题需要解决：

首先，蒸馏的关键在于学生模型能否承接教师模型的能力，以及这些能力能否在目标芯片上高效运行。小鹏的做法从学生模型的架构开始。围绕Max车型的计算瓶颈，重新分配模型中的计算资源。针对计算量最重的ViT部分进行了彻底重构，以HybridViT、TuringViT等视觉架构工作为基础，使用“学习式压缩”来降低有效计算量，结合编译器与部署优化，提高硬件利用效率，尽可能保留模型“大脑”容量，从而实现有效的算力—能力的平衡。

“这样，学生模型在接受蒸馏之前，就具备更高的能力起点。”刘先明还表示，蒸馏还依赖两个关键条件。一个是足够强的教师模型，它提供更丰富的学习信号；另一个是合适的数据分布，它决定学生模型在哪些问题上学习、能否覆盖目标使用场景。“依托数据基础设施，我们组织高质量、分布合理的训练样本，把教师能力、学生容量与训练重点结合起来。”

刘先明表示，Max蒸馏由四项工作共同支撑：针对芯片重做架构、持续增强教师模型、提高学生模型的基础能力，以及优化训练数据的质量与分布。

其中，Ultra和Max有不同的能力侧重。Ultra以向L4能力演进为长期研发目标，持续拓展场景覆盖、长尾问题处理和跨区域泛化能力。Max聚焦通勤与日常使用，在数据选择和训练中，把有限资源优先投入这些高频场景。

小鹏物理AI技术路径：建立可复用底层能力支撑更多产品

模型升级背后，是小鹏一套让数据进入训练、让模型得到验证、再将能力部署到产品中的基础设施。

这套体系也在向汽车之外延伸。“我们同时探索了同一套模型控制汽车与机器人，并且成功将这一套物理AI的底层体系迁移到小鹏集团的机器人身上，实现了底层的高度复用。”刘先明表示，不同本体有不同的动作空间和约束，但都需要完成“交互、理解、决策、执行”，也都依赖数据、模型、仿真与部署能力。已有能力能否迁移、哪些环节需要适配，可以在这套基础设施中持续验证。

“这就是我们建设物理AI公司的技术路径：从智能汽车出发，建立可复用、可验证、可持续迭代的底层能力，再让它支撑更多产品。我们持续投入的，是让模型面对新的场景与任务时，仍能学习、验证和改进的能力。我们也期待将来让这套底层物理AI体系能在小鹏的全系列产品线上为用户提供更加可靠、安全、实用的体验。”刘先明说。