仔细看了下理想VLA的介绍，感觉最大的变化，就是引入大语言模型，和3D表征一起，共同输出行为轨迹。
可以看到理想整篇文章里，提到最多的就是怎么对大语言模型进行后训练和工程化，让其满足智能驾驶低延迟的需求，包括像DeepSeel一样用到了MoE专家模型。
理想的表达是“为了解决这些问题，我们需要自己从0开始，设计和训练一个适合VLA的基座模型，因为任何开源的LLM模型都不具备这样的能力”。
“在这个新的基座模型训练过程中，我们花了很多时间去找到最佳的数据配比，融入了大量3D数据和自动驾驶相关的图文数据，并减少了文史类数据的比例。
最后，为了进一步激发模型的3D空间理解和推理能力，我们加入了未来帧的预测生成和稠密深度的预测等训练任务。”
明显能看出来，理想对大语言模型的改造工程相当之大，好在自己做了MindGPT。
最后呈现给用户端的体验，会有哪些大的亮点？其实不多，主要还是交互的拟人化，比如语音控制智驾系统。
当然，对于系统来说，智驾本身的决策过程应该也会更有思考性，这一点，用户估计需要花更多时间才能感知到。
智驾技术似乎也要进入狭长甬道了，为了一些微观的体验提升，而投入大量技术和工程改进，然后等待积累到下一个爆发点。
