摘要：搭载新模型的XOS 6.3.0将在G9L车型首发；小鹏称升级后端侧模型参数量扩大3.5倍，可记忆过去30秒、预测未来6秒。

产联社编辑｜王琪翔

【产联社】小鹏将时间维度引入第二代VLA模型。8月27日，小鹏集团（NYSE：XPEV/09868.HK）在广州举行以“TIME时间”为主题的物理AI分享暨第二代VLA全新版本体验日，宣布第二代VLA大模型完成首次重大升级。

搭载新模型的XOS 6.3.0版本将在小鹏G9L上首发，核心变化是把“时间”纳入模型。系统不仅识别当前空间，还试图记住此前发生的事件，并推演未来数秒交通参与者可能采取的行动。

据小鹏介绍，新版端侧模型参数量较此前扩大3.5倍，达到“主流VLA模型”的15倍以上。

此次升级主要有三项核心内容：Infini-VLA长时序架构支持最长30秒有效时序，Streaming Inference流式自回归推理使端到端响应速度提升300%，X-Foresight预测世界模型则可以推演未来约6秒的交通场景。

8月28日，小鹏汽车港股收报44.82港元，跌0.66%，成交额3.61亿港元，总市值858.81亿港元。

从静态3D走向动态4D

VLA全称Vision-Language-Action，即视觉—语言—动作模型。传统VLA通常通过视觉输入识别道路环境，借助语言或语义表征理解场景，再输出车辆动作。小鹏第二代VLA在2025年11月发布时提出去掉中间的“语言转译”环节，从视觉信号直接生成动作指令，希望降低信息转换损失及决策延迟。

今年3月，该模型开始向Ultra车型量产推送。小鹏此前披露，第二代VLA累计使用50PB训练数据，每版模型训练数据达到4万亿Tokens；通过芯片、编译器与模型联合优化，基座模型编译效率提高12倍。

量产车型最高配置三颗小鹏自研图灵AI芯片，有效算力为2250TOPS，用于在车端运行数十亿参数规模模型。

第一版解决的主要问题是扩大模型规模、提高泛化能力，并从传统模块化、规则驱动的辅助驾驶系统转向端到端模型。本次升级则把重点转向“时序”：车辆面对的不再是一张静止照片，而是一段连续发生的道路事件。

以一辆正在路边等待汇入车流的汽车为例，仅根据当前一帧画面，系统可能难以判断它是在临时停车、准备掉头，还是即将突然并线。如果模型保留此前数十秒的转向灯、车轮方向、车身位移及周边车辆反应，就可以建立更完整的行为上下文。

小鹏称，Infini-VLA能够保留最长30秒的有效时序信息，把原本割裂的画面串联成连续事件。

Infini-VLA主要解决“记住过去”的问题。Streaming Inference则试图解决“及时理解现在”。传统处理链路通常表现为“采集画面—完成推理—输出动作—再次采集”，不同环节依次执行。流式自回归推理使感知、计算和动作生成并行推进，即小鹏所称的“边看、边想、边行动”。

据小鹏通用智能中心负责人刘先明介绍，新版模型决策响应速度提升300%，主要用于处理前车紧急制动、行人折返、车辆突然加塞等快速变化的场景。

“预测未来”由X-Foresight世界模型承担。该模型综合目标位置、速度、运动方向及道路结构，推演周边交通参与者未来约6秒的可能轨迹。

例如，车辆驶近没有信号灯的路口时，模型需要同时考虑行人继续等待、突然横穿或折返，以及两轮车抢行、对向车辆转弯等不同分支，再选择风险相对较低的驾驶动作。

新版模型还采用MoT混合架构，根据城区道路、园区、小路及泊车等不同任务动态调度模型能力。其目的在于降低不同驾驶任务之间的相互干扰，高速跟车需要强调稳定性和较长距离预测，城区路口需要处理多方博弈，园区和停车场则更依赖低速环境中的精细空间理解。

Master Agent连接智驾与座舱

除智驾模型外，小鹏此次还发布了Master Agent整车大脑。该系统基于小鹏自研Omni全模态模型，把负责车辆行驶决策的VLA与负责视觉、语言和座舱交互的VLM进一步连接。

在传统智能汽车架构下，辅助驾驶、语音助手、底盘控制、车身控制和座舱应用往往由不同系统分别管理。用户提出一项跨域需求时，语音系统只能识别指令，再通过预设接口调用单一功能。

Master Agent的目标是理解相对模糊的用户意图，把任务拆成多个步骤，并调度智驾、底盘、座舱及车身模块共同执行。

以“前面找个安全的地方靠边”为例，这不只是一项语音指令。系统需要判断道路是否允许停车、寻找合适位置、规划靠边轨迹、观察后方车辆和非机动车，并完成减速、转向和停车。此次新增的语音靠边停车、语音就近泊入和模糊导航，正是这一架构的首批应用。

小鹏加码物理AI规模化落地

今年3月，小鹏第二代VLA首个版本开始量产推送。小鹏披露，第二代VLA推送首月，搭载该模型车型的辅助驾驶里程占总行驶里程的比例超过50%。

在训练端，小鹏今年4月发布X-World生成式世界模型。该模型输入多摄像头历史视频及车辆动作后，可以生成未来多视角视频，用于闭环仿真、在线强化学习和长尾数据合成。

小鹏披露，其自动驾驶仿真场景由一年前约3万个增加至超过50万个，每日仿真测试里程相当于3000万公里实车测试。

此外，小鹏希望把汽车积累的模型、芯片和工程能力延伸至Robotaxi、人形机器人及飞行汽车。此次Master Agent和VLA、VLM融合，实质是在探索统一的物理AI底座，同一套模型既理解人的语言，也感知外部世界，并能调度不同硬件执行动作。

小鹏称，第二代VLA已经在IRON人形机器人端侧部署。IRON搭载三颗图灵AI芯片，有效算力2250TOPS；小鹏机器人业务近期签署首轮融资认购协议，拟融资约9亿美元，投后估值约63亿美元。

VLA也承担小鹏全球化和技术输出任务。小鹏此前宣布大众将成为第二代VLA的首发外部客户，并获得大众对图灵AI芯片的定点。公司还表示，第二代VLA已完成德国本地化验收测试，计划在2027年上半年争取欧洲相关监管许可。

大模型研发需要持续投入。小鹏2026年第二季度研发费用为29.1亿元，主要用于新车型和AI相关技术；同期公司收入197.4亿元，同比增长8.0%，综合毛利率20.7%，汽车毛利率12.1%。

智驾竞争转向世界模型

小鹏把“时间”作为此次升级主题，折射出智驾技术竞争方向的变化。过去数年，车企主要围绕激光雷达数量、芯片算力、城市领航范围和是否依赖高精地图展开竞争。

随着端到端模型逐步量产，关注点正在转向模型能否处理更长时间序列、能否预测未来场景。

将时间维度和世界模型引入智能驾驶，已成为多家车企共同探索的技术方向。理想汽车今年3月发布MindVLA-o1，采用原生多模态MoE Transformer，并引入3D ViT、预测式隐世界模型、动作专家及闭环强化学习。

理想的技术框架由MindData数据引擎、MindVLA-o1模型、MindSim世界模型和强化学习基础设施构成，同样强调三维场景理解、未来状态预测和统一动作生成。

华为今年4月发布乾崑智驾ADS 5，采用WEWA 2.0架构。其云端世界模型引入多智能体博弈和在线强化学习，车端世界行为模型则增加安全风险场，通过风险热力图参与实时决策。

华为称，新架构训练强度和训练效率均提升10倍，碰撞风险降低50%。这些同样属于厂商测试口径。

蔚来的NWM世界模型则沿着“世界模型、监督微调、闭环强化学习”的训练框架迭代。不同车企智驾在传感器配置、模型结构、芯片平台和动作生成方式上有所不同，但总体方向日趋接近：从识别眼前障碍物，到记住过去、推演未来。

商务合作/报料请联系侯经理 18801065284（微信同号）