什么值得买App下载 App ›
连续签到专享现金活动

小鹏VLA2.0技术解析:32倍Visual CoT与世界模型的双轨演进

在小鹏汽车推送第二代VLA前夕,关于Visual CoT(视觉思维链)与“世界模型”的技术定义引发了行业关注。从老一代VLA到VLA2.0的迭代,核心变化在于引入了具备物理世界理解能力的视觉推理机制。此次技术更新不仅提出了“32倍超密Visual CoT”,还重新梳理了车端推理与云端世界模型的技术边界。
01技术演变:从CoT到Visual CoT
传统的CoT(Chain of Thought)主要用于引导大语言模型拆解问题,其推理模态为纯文本,在数学和逻辑方面表现优异,但在视觉推理中存在明显短板。由于缺乏视觉上下文,传统CoT可能因信息不足产生决策幻觉,例如无法理解“玻璃杯掉落水泥地会碎”这一物理常识,从而得出错误结论。
特征维度传统CoTVisual CoT
推理模态纯文本图像与视觉上下文
物理理解弱,易产生幻觉强,符合物理规律
运作比喻草稿纸演算拼装乐高积木
适用场景数学、逻辑推理自动驾驶、视觉任务

传统CoT与Visual CoT能力对比

02核心技术:32倍超密Visual CoT
小鹏VLA2.0引入了“32倍超密Visual CoT”,这是一种效率极高的视觉推理思维方式。其核心在于通过“画面流”进行思考,不仅能理解外部物理世界,还能在脑海中预判未来的物体运动画面。数据显示,该技术将思维误差较传统CoT降低了三分之一。这种高密度的视觉推理使得系统在复杂路况下能够展现出类似老司机的预判反应,识别潜在风险并制定最佳方案。
03概念辨析:车端与云端“世界模型”
行业内对于“世界模型”的定义存在两种截然不同的概念,分别对应车端应用与云端训练,两者在算力需求与功能架构上有着本质区别。

“世界模型”的两种定义

广义/车端概念

主要指具备物理世界理解与预测能力的轻量化模型。

  • 定义:理解外部物理世界并预测物体未来运动,不包含虚拟世界构建能力。
  • 架构:视觉输入(感知)+ 理解预测 + 动作输出。
  • 特点:算力需求较小,必须外挂Action才能用于车端。
  • 代表:华为World Action Model、小鹏VLA2.0。
严谨/云端概念

指能构建、生成完整虚拟世界的重型生成式模型。

  • 定义:不仅理解和预测,还能构建生成整个虚拟物理世界。
  • 架构:使用大量参数的多模态生成式模型。
  • 特点:算力消耗巨大,无法部署在车端,仅用于数据中心。
  • 应用:用于训练验证、强化学习,如特斯拉World Simulator。
04实测验证:场景表现与乘坐体感
在实际试驾测试中,搭载第二代VLA的车辆展现了接近L4级别的辅助驾驶能力。面对加塞、电瓶车横穿、行人鬼探头等复杂路况,系统通过轻柔的防御性减速和丝滑转向化解了潜在风险,避免了传统系统常见的急刹或重刹现象。
  1. 通行效率与安全:在接近两小时的高难度路段测试中,实现了重刹次数为零、安全接管次数为零。系统在借道超车、时机把握上表现出极高的自信度。
  2. 平顺性数据:使用“撒拉玛”小程序测试,车辆自动驾驶时的咖啡保留量为95.7%,而人类驾驶员驾驶时为91.2%。
  3. 综合评价:系统通过细腻的起步、减速和转向控制,在不牺牲速度的前提下提供了优于老司机的平顺体验。

评论

评论区空态插画

当前文章无评论,是时候发表评论了