小鵬VLA 2.0在3月19日將開啟陸續推送，首批先推送全新P7 Ultra，再推送G7和X9。4月推送P7+、G9，G6等。同時，VLA 2.0量產推送的版本是第四個大版本的第28個小版本，與之前的媒體試駕版不同（第二個大版本），但不會因為量產，把某些功能閹割掉。
第二代VLA對于小鵬來說至關重要，是小鵬從L2邁向L4的關鍵一戰。那么，它相比之前有了哪些變化？解決了智駕行業哪些難題？它還有哪些問題？
▍第二代VLA相比第一代有哪些變化？
小鵬第二代VLA（視覺-語言-動作）核心是顛覆了傳統VLA智駕“視覺-語言-動作”三段式架構，通過去顯式語言轉譯、端到端直接映射、物理世界因果推理實現技術突破，同時結合自研芯片算力、感知優化等技術形成完整體系。
小鵬VLA 2.0的技術核心是構建“視覺→隱式Token→動作”的端到端架構，去掉傳統架構中顯式的語言轉譯中間層，讓模型直接從視覺信號生成車輛動作指令。它相比第一代有五大變化。
第一，核心架構革新。最本質突破是從“三段式語義轉譯”到“端到端直接映射”，傳統VLA（含小鵬第一代）采用視覺識別→語言轉譯→動作生成三段式架構，視覺特征需先轉譯為自然語言（如“前方50米有行人橫穿”），再生成動作，存在信息損耗、延遲高、語義誤判三大問題。
VLA 2.0重構為視覺→隱式Token→動作的端到端架構，徹底去掉顯式語言轉譯層，視覺傳感器捕捉的路況直接轉化為模型內部的隱式Token（非語言化的物理世界特征表征，無人工定義語義規則），隱式Token直接映射為方向盤、油門、剎車的連續動作指令，模型內部完成對物理世界的認知，但不進行語言化表達。相比第一代VLA，VLA 2.0系統響應速度提升，端到端推理時延降至80ms。
第二，模型體系重構。VLA 2.0采用云端超大規模基座+車端輕量化蒸餾，并支持自演進學習，即VLA 2.0采用“云端訓練-車端推理”的兩級模型架構，兼顧推理能力與車端實時性。
云端基座模型：720億參數超大規模模型，依托小鵬3萬卡云端算力集群（10EFLOPS算力）訓練，支持對抗訓練、因果推理學習，可推演未來駕駛場景，提升長尾場景應對能力；
車端蒸餾模型：幾十億參數輕量化模型，通過知識蒸餾保留云端模型90%以上的推理能力，同時適配車端算力限制，可在小鵬自研圖靈芯片上實現實時推理；
自演進學習能力：模型無需大量人工標注，通過學習真實世界的物理交互規律自主優化決策，新場景可通過實車數據閉環快速適配，實現“數據驅動自我進化”。
第三，感知優化。VLA 2.0的感知優化核心是小鵬與北京大學聯合研發的FastDriveVLA視覺Token剪枝框架，解決了傳統VLA模型視覺Token過多、計算量高、無效信息干擾的問題，實現“去繁從簡”的高效感知。
剪枝架構的核心技術點是利用ReconPruner即插即用剪枝器，基于MAE風格像素重建訓練，引入對抗性前景-背景重建策略，讓模型像人類司機一樣只聚焦核心駕駛信息（行人、車輛、交通標識、障礙物等前景），自動過濾無效背景信息（樹葉、光影、路面紋理等）。
第四，車端算力大幅提升。通過依托自研圖靈芯片（單顆750 TOPS）+全鏈路優化，實現大模型車端部署。
第五，決策規劃層進化。VLA 2.0并非簡單的“感知-動作”映射，而是構建了具備因果推理能力的物理世界模型，讓智駕系統像人類司機一樣“理解路況、預判意圖”，而非單純識別障礙物。
模型能基于物理世界規律預判交通參與者的行為意圖，而非傳統算法的“僅識別障礙物并簡單減速”，它是有場景理解能力，比如遇到窄路會車，它會先停車讓行，然后有了通行空間后再行駛。
同時，它采用擴散模型生成方向盤角度、油門/剎車力度的精細化連續控制指令，而非傳統的離散動作（如轉向、加速、剎車），在無保護左轉、窄路會車、加塞避讓等場景中，動作更貼近人類老司機，銜接更平順。
▍第二代VLA解決了哪些問題？
1、突破窄路通行難題
針對窄路通行的復雜場景，通過重構底層架構，解決了雙車道右側停滿臨停車、左側電動車和行人頻繁出現的難題，實現了既安全又流暢的通行。
在整個通行過程中，第二代VLA它是隱式的先去對周圍環境進行3D建模，然后去嘗試理解整個世界是什么樣，再去判斷自己的通行狀況到底能不能過去，最后再做出一個最舒適安全的選擇。所以在這個時候，可以看到它不僅僅通行距離是足夠的，而且并不會覺得特別緊張，因為它速度控制的很好，慢慢的過去，同時也是走一步看一步。當通行空間特別窄，過不去的時候，它會停下等，并不會一路特別猛的沖過去，最后把自己卡死。
2、窄路壓低矮臺階通行
在窄路會車時，通行空間不夠，壓著右前方的低矮臺階通過。
因為在第二代VLA的眼里面，它不像傳統的智能駕駛一樣有感知。如果有感知，就要去識別可行駛區域或者道路。先去檢測道路的邊界，不可行駛區域。而在第二代VLA整套范式背后，是沒有這些概念的。當一旦有規則，有檢測可行駛區域的邊界，它就會被壓在里面。這個時候一般的選擇會卡住不動，不知道干什么了。正常人是不會這么開車的，他會判斷這個地方可行駛的可能性。然后判斷對車的底盤，整體的安全性有沒有影響？比如說遇到臺階，如果卡在那兒不動，不去讓行的話，其實有被刮蹭風險的。所以窄路會車時去借用一個還不算高的臺階，做一個通行空間的避讓，是最合理的選擇。第二代VLA會去嘗試理解整個世界，通過COT去做推理，然后最終找到一個最合理的通行空間去往前走。
3、繞行開門殺
智駕在處理突然發生的開門殺場景中的技術難點，一是對整個空間的把握要非常準。一般傳統的意義上來說，智能駕駛會把一個車當成一個矩形框來處理。當你開門的時候就會發現一個矩形框，上面多了一條，它一般會用一個多邊形去表示，而且還要去判斷開門的整體速度以及是否還會從里面下來一個人。這種情況下去判斷邊界是很難的。另外一個難點是反應速度需要非常快，基本上是小于1秒的時間，迅速的去做出一個繞行，然后再回去這樣一個動作對。第二代VLA對處理這種突然發生的異常場景具有很強判斷能力，它不僅能做到很精準，而且做的非常快。這是因為車身上的傳感器輸入信號多，而且它的模型尺寸大，具有很強的思考能力，再加上執行速度快，所以處理起來更絲滑。
4、識別減速帶
根據不同厚度的減速帶做不同程度的減速，跟人一樣，是在思考，在隨時的調整。減速帶對于智能駕駛來說是一個很難處理的問題，因為它離地面的高度并不高，通常又是一個平緩的過程，利用傳統的感知算法，是很難精確得到它的高度，所以更別說根據高度去調整自己通過的速度。之前一般的做法是，在高精地圖上會把有減速帶的位置標記出來，這個地方有減速帶，高度是多少，應該降速到多少，或者是另外一種只要是減速帶，就一定會減速，減到一個固定的值再去過。
第二代VLA的做法是并沒有明確的說這里有一條減速帶或者是標記出來，也沒有做高精地圖。更多的是靠數據去驅動，當整個模型看過上百萬條不同的減速帶數據時，它就會去理解這些減速帶的不同。所以核心還是有更多的數據，這些數據來自于真實場景，而不是在一條大直路上不停的開的單一場景。這樣它的泛化能力會得到很大的增強。這就是第二代VLA對不同的減速帶會做出不一樣反應的原因。
5、避讓坑
它是怎么識別水坑的？其實這個就是得益于它使用的攝像頭，具有更多的色域， 它的色域和動態范圍更大更寬，同時輸入信息更多，在配合上，攝像頭一般是800萬甚至更高像素的輸入密度。所以它有更多的信號可以判斷當前的路況，因為在這里面它沒有一個可行駛區域的概念，它更多的還是判斷這個地方它真實的路況是什么？它的材質是什么？所以見到水坑，如果數據足夠多的話，它就應該知道見到這樣不可行駛的區域，要繞過去。而見到那些躲不過去的，選擇減速過去。
6、橫向避讓變道車輛
這個場景是一種時空聯合規劃，或者是橫縱，橫向和縱向同時去考慮。比如人去處理這種情況，會先看倒車鏡，看后面有沒有車，再看旁邊有沒有車，再去決定要不要超車，還是跟在后面。整個過程要考慮很多因素，要去看周圍的環境，同時考慮最小化風險。
另外，還有一個概念叫解空間。雖然解空間很大，但要同時去探索在橫向和縱向不同維度上的可行性。所以得益于一個大算力的芯片，加上一個更大的模型，它的好處就是能同時去探索很多種不同解的可能性，從中去挑選出一個對我們來說最舒適最安全的解。
7、白天和夜晚的差距不大
第二代VLA白天和夜晚差距不大的原因主要是，小鵬從2024年更新視覺方案后，更換了新的傳感器，新的攝像頭具有更強的通光量，動態范圍更大，給整個模型泛化性帶來了很好的基礎。
另一個是整個模型的端到端延遲很低，反應速度快，可以在極端的情況下有更好的處理速度。比如說打滑或者路面濕滑的情況下，車會更快的控制住，遇到暗光時，還會像人類司機一樣主動降速、小心行駛。
所以，在正常的工況下，不管是白天還是夜晚，第二代VLA還是有非常一致的表現，不會存在巨大的差距。
▍第二代VLA還有哪些問題？
1、園區和地庫的漫游
劉先明說道，“目前，園區跟地庫的漫游，還沒有達到像城區一樣的驚艷程度。所以為了大家的體驗和整體的使用性，我們還是決定在第一個版本的時候把它暫時的先停止推送。但是會在不久的下一個版本，給大家推送過去。”
2、不按導航路線行駛
第二代VLA偶爾會出現不按照導航路線走的問題。
為什么呢？之前的導航規劃基本上都是靠規則來做的，就相當于有一個上帝之手，先畫了一條線，比如最早的高精地圖，或者是非常接近于高精地圖的車道級導航，再或者是在特定的路口，如果看不見，加一些提前畫好的路線，好比在鐵軌上開車，肯定是不會錯的。
而小鵬VLA 2.0是通過模型的迭代去解決問題的，并沒上加入規則和高精地圖，所以偶爾會出現導航不準的情況。即便如此VLA 2.0仍然沒有加入規則和高精地圖，而是通過數據去解決問題，因為這樣以后只要有導航信息，就能地下開、地面開，村路、山路、土路都能開。
3、極端天氣
在面對暴雨、暴雪、沙塵暴等極端天氣時，會導致VLA 2.0退出。首先這是因為任何傳感器的都是物理極限的，傳感器本身的物理性能是有上限的。
其次是，VLA 2.0是依賴于海量的訓練數據，所以它在什么情況下跑的好或者不好是取決于訓練數據分布的。而它本身的訓練數據又來自于所有車主每天正常開的工況，包括雨天、雪天、黑夜等，但極端天氣的數據不多。
4、識別馬路上平躺的四個小孩子，有減速，但不能剎停
“馬路上平躺著四個小孩，從遠處看就像減速帶一樣，第二代VLA識別后是有減速的，但是這個減速度不足以剎停。這個是一個真實的情況，也給了我們一個動力，我們離做到完美還是有距離的。這個也是我們不停向前去解決這些問題的一個原動力。我們希望真的能做到，在任何的突發情況下都能有足夠的安全。所以我們希望能通過不停的迭代，讓這個事情做得越來越好，能真的有一天，不是開始減速，而是真正能安全的讓這種事情都處理的很好。”劉先明說道。
▍Ultra版和Max版有什么區別？
Max版本是面向L2的，但是它不是把所有場景都能解決，也不能把主要場景碰到的corner case都解決。而Ultra版本是一個面向L4的，是能夠千公里接管一次或者更少，Max版本則是百公里。