小鹏第二代 VLA 去年 11 月发布，今年 3 月推上量产车，这次发布会是上车后的第一次大升级。

VLA 是 Vision、Language、Action——视觉、语言、动作。过去的思路是，摄像头看到画面，先翻译成一句话，比如"右前方有车准备变道"，模型理解这句话，再决定转向还是刹车。

问题出在翻译上。画面里的距离、速度、角度、车身姿态，一句话装不下；转译一次丢一些，从语言再翻回动作，又丢一些。第二代 VLA 做的事，就是减少这层转译，让视觉信息更直接地参与动作生成。

这是去年拆掉的VLA的"L"。而这一次，小鹏往里加入的是连续的时间信息。

人开车，不会每秒都把世界重新认一遍。前车打着双闪、连续几次减速，哪怕还没真正停下，你也会猜它在找地方靠边——脚提前离开油门，跟车距离放大一点。这个反应不来自眼前这一帧，来自你还记得它前几秒在干什么。

很多智驾缺的，恰恰是这个记忆能力。

它们更像一个记性不太好的新手。每一秒都看得挺清楚，但每秒都是重新开始看。新版第二代 VLA 引入了 Infini-VLA 长时序架构。

按小鹏的说法，模型可以利用最长 30 秒的历史信息。30 秒不是把路况录下来，模型不需要记住每一片树叶和每一根车道线，它要留下的是那些会影响下一步动作的信息。

前车明明正在掉头，它等了两秒，如果把前因忘了，就可能又往前蹭，发现过不去，再刹住。人坐在车里，感受到的就是点头和犹豫。能记住"这辆车还没掉完头"，它才能安心等，等对方走完再起步。

小鹏第二代VLA蒸馏版9月开启首批推送小鹏第二代VLA全新版本9月开启推送