7 月 5 日消息，在今晚的理想智能駕駛夏季發布會期間，理想汽車宣布，端到端 + 視覺語言模型早鳥計劃正式啟動，號稱可讓車更智能、更像人。
IT之家匯總主要信息如下：
理想汽車稱端到端模型的優勢在于“高效傳遞”和“高效計算”兩方面：端到端是一體化的模型，信息都在模型內部傳遞，具有更高上限，用戶所能感受到的整套系統的動作、決策都“更加擬人”；一體化模型可在 GPU 里一次完成推理，且端到端延遲更低，用戶可感知到“眼”“手”協調一致，車輛動作響應及時。
一體化模型可實現端到端的可訓，完全數據驅動。官方表示，對于用戶來說最大的感受就是 OTA 的速度越來越快。
視覺語言模型方面，其整體算法架構由統一的 Transformer 模型組成，將 Prompt（提示詞）文本進行 Tokenizer（分詞器）編碼，然后將前視 120 度和 30 度相機的圖像以及導航地圖信息進行視覺信息編碼，通過圖文對齊模塊進行模態對齊，統一交給 VLM 模型進行自回歸推理；VLM 輸出的信息包括對環境的理解、駕駛決策和駕駛軌跡，并傳遞給系統 1 控制車輛。
官方表示，該系統整體設計存在三個亮點：設計了流式視頻編碼器，能緩存更長時序視覺信息；增加了記憶模塊，緩存了多幀歷史信息，可解決超長上下文推理時延問題；設計了智能駕駛 Prompt 問題庫，系統 2 可以“思考”當前駕駛環境并給系統 1 合理駕駛建議，系統 1 也可在不同場景下調用不同 Prompt 問題，主動向系統 2 進行“求助”。
