9月2日表示： 理想主动安全负责人杨杰25年9月16日表示： 最近一直在开FSD，因为开它只能盯着前面，可以有大把的时间欣赏它开的有多好，也有一些浅薄的 感受。 基础能力建设，是体验提升的基石。没有什么弯道超车。 对于开车这件事儿，就是三点： 1.看得足够远，能给自己更从容更长时间的规划。 2.猜得够准，结合道路环境和参与者的各种对外信息：灯光，甚至眼神。 3.控得够精细，无论是舒适度还是紧急避险，能做到一把到位。 时隔这么久，FSD一上手就还是感觉不一样。 同时，过去这么久了，一个能打的都没有 。 加微信，进群深度交流理想长期基本面。不是技术群，不是车友群。 ...

交付进度更新 - 截至9月15日20:00 理想i8已交付车辆达4653台[1] - 已匹配车辆的小订时间截止点为7月17日10时53分16秒[1] - 特殊延迟交付比例不足总订单量1% 主要因改配、指标或贷款问题导致[1] 交付时间安排 - 8月12日前小订转大定用户均将在十一前完成车辆交付准备[1] - 当前新订单预计交付时间已排至11月中旬[2] - 订单匹配后App显示运输状态 交付专家将主动联系车主[1] 产能与需求状况 - 公司呼吁潜在客户参考已提车用户评价加速决策[2] - 建议用户尽快锁单以锁定年内产能[2] - 交付时间预期准确 提前交付可能性较低[1]

公司运营流程 - 北京工厂于8月完成机动车出厂预查验系统打通工作 实现车辆免查验上牌功能[4][5] - 常州工厂已具备免检和免查验双重资质 而北京工厂此前仅支持免检[4] - 免检指车辆上牌时无需进行灯光、排放等物理检测 免查验指无需现场核对车架号及三证[4] 产品服务 - 公司MEGA车型在8月上旬尚未支持异地免查验上牌 需前往注册地车管所现场查验[2][4] - 交付团队初期无法确认异地牌照办理流程 需通过内部公告部门核实政策细节[2][4] - 客户最终在8月完成新疆注册昆明提车的异地牌照办理 全程无需车辆移动5000公里[2][5] 行业政策 - 机动车免查验为近年推行的便民措施 需整车厂完成出厂预查验系统对接[4] - 乘用车普遍实现免检资质已超过10年 但免查验仍需工厂单独申请对接[4] - 车管所政策允许免查验车辆在非注册地直接上牌 但需厂家系统支持[2][4]

25年9月11日字节跳动发布 Harnessing Uncertainty: Entropy-Modulated Policy Gradients for Long-Horizon LLM Agents 对理想的帮助之处在于，理想要做agent，大概率会参考的，一样会遇到类似 学习信号的强度（梯度 大小）与模型决策时的不确定性（熵）存在一种天生的、有害的耦合关系的问题 实际和人类学习挺像的，只要结果正确，就容易过渡强化其步骤正确性（类比销量高了，做啥都是对 的），遇到一个错误的路径，如果非常自信，容易不反思，无法矫正错误。迷茫探索时遇到错误，容 易畏手畏脚，不敢继续探索。 本应该被大力强化的自信且正确的步骤，只得到了微调 。本应该被严厉惩罚的自信且错误的步骤， 也只得到了微调 。而那些本应被谨慎对待的不确定的探索步骤，却承受了最剧烈的奖惩，导致训练 非常不稳定 。 字节这篇论文给出了解决这类问题的思路。 以下为更细化论述： 本质是在讲 解决一个当前LLM Agent训练中的核心困境：如何在最终结果"非成即败"（即稀疏奖励） 的漫长任务中，知道该奖励或惩罚哪一步决策 。 在传统的强化学习中，智能体（Agent） ...

公司战略与产品迭代 - 公司将加速技术平台和产品更新迭代速度 目标是2026年在整车产品力和人工智能体系化能力上超过2022年L9的领先程度 [1] - 产品换代周期将从原计划四年缩短 具体加速程度尚未明确 [1] - 公司资源将优先投向更先进的模型开发 而非现版本细节打磨 [2] 技术开发优先级 - 采用以终为始的开发思路 优先投资未来先进技术而非现有版本优化 [2] - 在自动泊车等L2级功能上投入相对较少 资源倾向用于高阶AI模型开发 [2] - VLA模型开发优先级高于VLM 资源分配基于终局目标考量 [2] 市场竞争与产品表现 - L系列在5月焕新后6-8月出现连续销量下滑 市场反馈促使公司加速迭代 [3] - 在规则明确场景下鸿蒙自动泊车体验优于理想 而在AI推理场景下理想体验更佳 [3] - 公司对纯汽车维度产品细节打磨的重视程度将取决于后续市场反馈 [3] 技术路线比较 - 鸿蒙系统在规则驱动型功能上表现更好 理想在AI推理型功能上更具优势 [3] - L4级技术开发与L2级产品打磨存在本质差异 后者技术复用性有限 [3] - 公司更注重开发具备面向陌生环境推理能力的AI系统 [3]

HUD设计差异 - i8的HUD存在黑框明显且显示模糊的问题 与L系列存在明显差距[1] - MEGA的HUD采用半透黑色背景设计 在观看车外白色物体时具有更好的可读性[1] - i8和MEGA的HUD投射距离超过2米 L系列投射距离约1.5米 存在显著差异[1] 用户视觉体验差异 - 近视用户偏好较近的HUD投射距离 非近视用户则更适应远距离投射[1] - 45岁以上老花眼用户对L7的近距离HUD出现失焦现象 但i8的远距离设计能有效缓解该问题[2] - 流媒体后视镜因切焦困难导致实用性受限 部分用户选择继续使用光学后视镜[2] 产品设计取舍 - 远距离HUD使行驶过程视觉更顺畅 减少眼睛焦距调节需求[1] - 近距离HUD可能更适合特定视力条件的用户群体 体现产品设计的差异化定位[1] - HUD设计涉及光学投射距离与用户视力条件的匹配 需要综合考虑不同用户群体的视觉特性[1][2]

研究背景与目标 - 流式语音翻译旨在实现机器像人类同传员一样边听边翻译 解决长时流式语音翻译中的关键挑战[3][6] - 面临三大核心挑战：模块耦合复杂性、决策视野受限、策略学习复杂 需实现持续低延迟高质量输出[6] 技术架构与流程 - 采用单一语音大模型集成语音分割、策略决策和翻译生成三大任务 通过语音思维链机制实现端到端流式管理[7][9][10] - 工作流程包括语音输入编码、多阶段生成中间结果、智能决策输出时机和动态截断 确保语义对齐与低延迟[12] 核心创新点 - 统一模型端到端架构避免传统级联错误 系统结构简化且整体性能提升[10] - 语音思维链机制扩展自大语言模型CoT 实时生成中间结果并智能截断防止信息堆积[11][12] - 流式语音思维链训练方案增强低延迟生成能力 基于部分语音输入预测转录和译文[15] 实验性能表现 - 在句子级实验和流式实验中均领先 所有延迟区间下翻译质量相比之前方法平均提升2个BLEU分数[21][23] - 以平均减少500毫秒响应延时达到相同翻译质量 实现低延迟与高准确度兼得[23] 产学研合作与开源 - 理想汽车作为合作方提供人工智能领域积累支持 展示产学研深度融合潜力[24] - 论文、代码和数据集已在GitHub和Hugging Face开源 推动社区进一步研究发展[25][26]

用户年龄分布 - 30岁以下用户占比9% [2] - 31-35岁用户占比34% [2] - 36-40岁用户占比31% [2] - 41-45岁用户占比17% [2] - 45岁以上用户占比10% [2] 区域销售表现 - 理想汽车销量前15城市包括北京 上海 杭州 深圳 成都 广州 苏州 常州 宁波 武汉 郑州 南京 西安 重庆 佛山 [3] 社群运营 - 通过微信社群开展理想汽车长期基本面深度交流 [5]

VLA技术核心价值 - VLA核心价值在于获取有效数据 用于训练基础模型和个人记忆模块 包括驾驶习惯和常用道路等数据 [2] - 每个车辆具备自我进化能力 无需OTA升级即可通过持续训练提升VLA表现 实现"越用越聪明"的效果 [2] - 记忆模块通过采集用户语音指令 行驶道路 接管行为 常用地点等数据 持续升级并调用最新数据优化自动驾驶体验 [12] 实际应用效果 - 车辆使用初期表现较差 但第三天即可实现道路行驶丝滑度提升 包括未行驶过道路和原本无法识别的停车位自动泊车功能 [3] - VLA系统通过克隆车主驾驶行为 实现专属司机"小李师傅"的个性化服务体验 [4] - 建议用户单独训练VLA系统 一周时间即可达到良好使用效果 [8] 数据处理机制 - VLA与记忆模块分离 采用LLM处理后的数据库 数据进行token化总结后存储 使用时再读取处理 [10] - 系统存储约1万token数据量 10token精准数据对个体驾驶体感控制更具价值 相比1000万clips中仅10%有效数据更具针对性 [14] - 记忆功能需要短期和长期记忆结合 采用外挂LLM总结历史使用行为作为context实现大模型个性化 [13][19] 企业战略布局 - 通过私有化去中心化的个人专属记忆数据结合AI基础设施和多形态硬件 形成以家为中心的战略布局 [6][20] - 账户迁移功能类似Apple ID战略 通过积累记忆模块数据增强用户依赖度而非依靠生态应用分发盈利 [5][19] - 需要软件 硬件 产品三合一能力 依赖自主研发芯片的算力和精准数据积累 用户规模越大价值越高 [20][22][23] 行业技术地位 - 目前同时做好记忆模块和VLA结合的企业只有理想 华为需等待WA技术 地平线需要主机厂解决车机能力 [15] - 持久性记忆技术被红杉资本列为关键投资主题 是实现AI从工具进化为长期智能伙伴的核心技术 [16][25] - 多模态VLA模型中实现记忆功能并根据记忆实时变更车端模型 形成定制化私人司机存在较大技术难度 [25]

公司自动驾驶战略决策 - 2021年底理想汽车面临供应商压力 要求支付昂贵开发费用且不交付白盒代码 并附加条件要求解散自研团队[7] - 公司选择拒绝不平等条约 坚持自研自动驾驶技术 2022年初正式启动自研计划[7][8] - 大年初一李想与郎咸朋通话确认自研决心 立即组建包含所有合伙人的微信群宣布决策[8][9] 团队组建与执行 - 2022年春节后初七汇报实施方案 全公司范围内调配资源[8][9] - 紧急组建超过100人团队 2月26日召开誓师大会全面推进自研[9] - 郎咸朋主动请缨承担自研责任 承诺若失败将引咎辞职[8] 企业文化与领导风格 - 公司坚持"站着死"原则 拒绝向供应商妥协[8][9] - 李想认为自动驾驶智能车行业足够大 2015年决定造车是为挑战成长极限[5] - 2024年公司视角转向人工智能 认为其比智能车拥有更大发展空间[5] 行业对比视角 - 苹果2024年宣布不造车 雷军表示震惊因其认为智能车与手机行业相近[4] - 李想认同苹果战略 认为企业可根据自身目标选择是否进入造车领域[5] - 行业领导者对技术路线的判断往往反映自身战略取向[3][4]