3 月 18 日，理想汽车发布下一代自动驾驶架构 MindVLA。VLA 是机器人大模型的新范式，其将赋予自动驾驶强大的 3D 空间理解能力、逻辑推理能力和行为生成能力，让自动驾驶能够感知、思考和适应环境。

根据介绍，MindVLA 不是简单地将端到端模型和 VLM 模型结合在一起，所有模块都是全新设计。3D 空间编码器通过语言模型，和逻辑推理结合在一起后，给出合理的驾驶决策，并输出一组 Action Token（动作词元），Action Token 指的是对周围环境和自车驾驶行为的编码，并通过 Diffusion（扩散模型）进一步优化出最佳的驾驶轨迹，整个推理过程都要发生在车端，并且要做到实时运行。

理想从 0 开始设计和训练了适合 MindVLA 的 LLM 基座模型，采用 MoE 混合专家架构，引入 Sparse Attention（稀疏注意力），实现模型稀疏化，保证模型规模增长的同时，不降低端侧的推理效率。

基座模型训练过程中，理想加入大量 3D 数据，使模型具备 3D 空间理解和推理能力。为了进一步激发模型的空间智能，理想加入了未来帧的预测生成和稠密深度的预测等训练任务。

为了把 NVIDIA Drive AGX 的性能发挥到极致，MindVLA 采取小词表结合投机推理，以及创新性地应用并行解码技术，进一步提升了实时推理的速度。

MindVLA 利用 Diffusion 将 Action Token 解码成优化的轨迹，并通过自车行为生成和他车轨迹预测的联合建模，提升在复杂交通环境中的博弈能力。

同时 Diffusion 可以根据外部条件，例如风格指令，动态调整生成结果。为了解决 Diffusion 模型效率低的问题，MindVLA 采用 Ordinary Differential Equation（常微分方程）采样器，实现了 2-3 步就能完成高质量轨迹的生成。

MindVLA 基于自研的重建+生成云端统一世界模型，深度融合重建模型的三维场景还原能力与生成模型的新视角补全，以及未见视角预测能力，构建接近真实世界的仿真环境。

源于世界模型的技术积累与充足计算资源的支撑，MindVLA 实现了基于仿真环境的大规模闭环强化学习，即真正意义上的从“错误中学习”。

MindVLA 将为用户带来全新的产品形态和产品体验，有 MindVLA 赋能的汽车是听得懂、看得见、找得到的专职司机。

未来，理想汽车将继续在用户价值的驱动下，坚持技术创新，连接物理世界和数字世界，成为全球领先的人工智能企业。