10月11日，热点科技在巴黎参加了小鹏智能驾驶Workshop。小鹏通用智能负责人刘先明围绕第二代VLA模型的架构升级展开讲解，核心是把时间纳入模型：保留更长的历史信息，在当前时刻快速响应，再推演接下来可能发生的变化。

小鹏此次向海外媒体展示的，是一套试图把国内研发积累带到欧洲道路上的技术方案。它的价值，要放在具体驾驶任务中观察：能否理解其他车辆还没完成的动作，能否在狭窄道路上提前判断谁该让行，换到新的交通环境后又能保留多少能力。

这也让中国车企的出海竞争多了一道更难的考题。车辆可以运到欧洲，驾驶经验却无法原样搬过去。小鹏希望用更具泛化能力的模型降低适配成本，现场展示了进展；距离当地用户每天都能稳定使用，仍需经过产品交付和持续验证。

 小鹏在巴黎Workshop介绍基座模型如何理解时间

过去30秒与未来6秒怎样影响一次让行

道路上的很多判断，都依赖刚刚发生过什么。前车停在路口，可能是在等红灯，也可能正在完成多次调整的掉头；一辆车暂时被遮挡，并不意味着它已经离开。只看眼前一帧画面，很容易丢掉这些区别。

现场展示的Infini-VLA支持最长30秒的有效历史信息，重点是让相关视觉信息持续参与判断。小鹏展示了这样一个案例：前车正在掉头，倒车时暂时让出一块空地，系统没有向前挤，而是留出空间，让前车完成后续动作。它需要结合前面的行为判断对方还要做什么，而不是只看此刻有没有通行空间。

X-Foresight则把预测延伸到未来。按小鹏现场介绍，模型可以推演未来6秒内的场景变化。配合Flow Matching，系统尝试表达多种可能的发展方向，再生成相应轨迹。预测存在不确定性，“看向6秒后”并不等于提前知道其他车辆一定会怎么开。

另一段展示涉及局部被占用的道路。小鹏介绍，系统发现约200米外的对向车辆后，提前停下等待，待对方通过再继续行驶。这个例子值得关注的地方是决策时机：如果双方都进入狭窄路段，再靠刹停或倒车处理，驾驶体验已经打了折扣。

更长的上下文也会增加计算负担。为此，小鹏引入流式推理，避免每次都把全部历史信息重新计算一遍。现场称端到端响应更快，但这属于厂商公布的测试口径。对用户而言，最终需要观察的是车辆能否在复杂场景中及时响应，同时减少不必要的急刹和反复试探。

 Infini-VLA强调保留过去30秒的有效信息，帮助模型理解连续行为

模型扩大之后还得在车上跑得动

谈到物理AI，刘先明首先列出车端的约束：算力、时延、安全与法规。云端模型可以用更长时间组织答案，车辆控制却必须及时完成。速记中，他以80毫秒为例解释控制时延的紧迫性，这应理解为技术约束的举例，不能直接当作此次升级的实测时延。

小鹏给出的解决方法之一是MoT。现场架构图显示，模型根据视觉、文本等信息，把不同场景的问题交给相应的“专家”处理，并在场景切换时保留长期记忆。其目的，是在有限的车端计算条件下容纳更大的模型能力，而不是让所有部分在每次推理时都付出同样的计算成本。

按现场PPT口径，车端模型参数规模扩至原来的3.5倍。小鹏同时给出了端到端响应和综合安全能力的提升数据，其中“综合安全能力提升20倍”来自厂商的评价体系。现场材料没有展开完整测试基准和统计方法，因此不能把它换算成实际事故率下降，更不能据此认定系统已经具备无人驾驶能力。

架构升级还有一个更贴近购车者的问题：不同硬件配置能得到多少改善？刘先明介绍，小鹏通过蒸馏，将基座模型能力迁移到计算资源较少的平台。大模型提供学习目标，小模型还要围绕目标芯片重新优化，车型之间的能力和体验不会天然一致。

热点科技认为，这部分决定了升级能覆盖多少用户。一个在高配测试车上有效的模型，只有在更多量产硬件上保持可靠体验，才有机会形成产品优势。判断OTA的价值，也应把具体车型、硬件平台和功能范围放在一起看。

 MoT架构按场景调用相应专家，现场强调有限车端算力下的部署效率

欧洲道路检验的是泛化与交付

为什么要持续投入更大的模型？刘先明在现场把答案与全球化联系起来：小鹏希望同一技术底座可以适应不同市场。按其介绍，团队先后在德国、荷兰和法国推进测试，也在澳大利亚开展验证。法国道路上的骑行者、不同的路权关系，都成为需要处理的实际问题。

这条路线并非把国内版本直接复制到海外。现场介绍的做法，是在国内训练积累的基础上，利用欧洲采集的数据进行后训练。它意味着基础能力可以复用，但仍需用当地样本补足差异。模型能否泛化，最终要看它面对未充分覆盖的道路与交通行为时，是否仍能作出合理判断。

现场PPT列出了UN R171驾驶员控制辅助系统（DCAS）法规。对这场Workshop而言，这一信息提醒了产品边界：面向海外的道路测试、媒体展示与当地正式交付，是不同阶段。本次活动没有披露各国最终上线日期及完整的车型、功能清单，欧洲用户何时能用上、能用到哪些能力，仍待进一步明确。

从热点科技的观察看，出海智驾最值得追踪的，是模型复用能否缩短适配周期，以及正式交付后能否维持体验。一段巴黎演示可以说明技术正在接触当地场景，却无法替代不同天气、路段和交通密度下的长期使用。

欧洲落地还会反过来检验国内的数据优势。如果一个模型需要在每个新市场大量重做，它的研发成本就很难摊薄；如果已有能力能通过有限的本地适配迁移，海外销量才有机会支撑更多研发投入。小鹏在巴黎展示的进展，给出了后者的技术路径，商业效果还要等待交付验证。

 现场材料展示海外测试市场，并列出DCAS法规；测试进展不等同于正式交付

少见场景能否被找到决定模型下一步

支撑跨市场迭代的，还有不太容易成为新闻标题的数据工程。刘先明介绍，小鹏积累了接近2亿段视频片段，并强调数据数量之外，还要看质量和分布。每天都重复出现的直行画面，无法自动补齐少见的交互场景。

现场展示的数据基础设施，通过向量索引和检索寻找相似案例，并识别样本分布中的薄弱区域。发现某类场景不足后，再有针对性地补充采集与训练。它的实际意义是把“模型哪里容易出错”转化为下一轮数据工作，而不是只追求数据库继续变大。

验证环节也要跟上。小鹏表示，每轮OTA涉及20多种车辆类型，包含合作伙伴车型，需要利用仿真改变车辆配置、场景、天气或光照来检查表现。现场PPT称新增仿真模型数量增长290.2%，但未列出比较周期和基数。比这个增幅更值得关注的，是仿真能否稳定复现问题，以及验证结果能否与实车表现对应。

Workshop最后，小鹏展示了同一基础设施支撑汽车与机器人的思路。可以复用的包括数据、训练、仿真、编译器和部署工具，但车辆与机器人的动作空间、控制约束各不相同。展示说明了技术体系的延伸方向，尚不能据此推断两类产品已经拥有相同的成熟度。

 小鹏强调数据规模、质量与分布，利用数据基础设施补齐场景覆盖

热点科技洞察：回到此次架构升级，最值得看的仍是那次提前等待：模型对时间的理解，最终应变成道路上更恰当的动作。巴黎车展之后，我们希望继续看到具体车型的交付范围、公开的验证依据，以及海外用户在日常道路上的反馈。小鹏能否把这些补齐，才会决定这套技术在海外市场有多大的说服力。