芝能科技出品

2026 年 7 月，特斯拉在第二季度材料里披露了一次不起眼的更新：FSD v14 lite 开始向搭载 AI3 硬件的车推送。

这个版本把 AI4 平台上 v14 系列的驾驶行为蒸馏到更早的摄像头和计算配置中，覆盖导航、汇入、分叉、行人、交通灯和加塞等场景。[为新一代芯片训练的模型，重新训练之后回到了七年前量产的计算平台上。

两个月后，理想也做了一次更新，马赫 VLA 2.0 开始部署到搭载 NVIDIA Orin X 和 Thor U 的既有车型。覆盖范围从 2022 款到 2025 款，近百万用户。

模型变大变快的速度超过车辆换代，而芯片在交付那天就已经固定。

01 特斯拉先撞上了硬件代际

特斯拉很早就把车端推理芯片、神经网络、数据闭环和 OTA 放进同一套体系。

吞吐量、时延、正确性和确定性是自动驾驶底层软件的主要优化目标，特斯拉很注重自研芯片、驱动、Linux 内核、传感器数据管线和大规模评测工具之间的协同。

2019 年开始量产的 AI3 芯片承载过较早版本的 FSD，端到端基础模型扩大之后，AI4 成了新版本能力的主要目标平台。

更早的 Hardware 2.0 和 2.5 车辆，特斯拉给的是硬件更换方案，符合条件的车主可以升级到 AI3。到 AI3 与 AI4 这一代，v14 lite 不换硬件，把新平台上的驾驶行为蒸馏到旧平台。

蒸馏能扩大覆盖范围，前提是旧芯片的内存、带宽和加速器还撑得住基本要求。

v14 lite 同时适配 AI3 的摄像头与计算配置，视觉输入、芯片架构和运行时一起决定车端模型怎么工作，跨代升级要做的是让模型重新适配这三层。

小鹏和蔚来走的是相近的路。

◎ 小鹏 2026 年 3 月推送第二代 VLA，为把数十亿参数模型装进自研图灵芯片，重做了编译器和软件栈；8 月又公布 VLA 2.0 Lite，用学习式 Token 压缩加蒸馏训练把基座模型能力搬到更低算力平台，9 月启动首批推送。

◎ 蔚来走世界模型路线，NIO WorldModel 2025 年加入完整闭环强化学习，最新版本自 2026 年 1 月下旬起推送。

◎ 理想汽车Orin X 和 Thor U 来自 NVIDIA，架构、DriveOS 版本和编译器都不由它决定，第三代马赫 M100 才是自己的。

02 理想同源模型分平台部署

OTA 8.6 把马赫 VLA 2.0 推送给搭载 Orin X 与 Thor U 的车型。

用户最容易感知的变化集中在绕行、变道、跟车和交通博弈：

◎ 系统更早识别施工占道和临停车辆并选择绕行路线；

◎ 根据侧后车的距离、速度和趋势寻找变道窗口；

◎ 对前车起步和提速反应更快；

◎ 在汇流、加塞、行人和两轮车接近时减少反复加减速。

这些场景考验的是时间连续性，车辆要根据过去数秒的变化形成意图判断，再把横向与纵向动作稳定执行出来。

识别一辆电动车不难，难的是判断它会不会进本车道、决定让行还是通过、对方动作改变时迅速修正，“更像老司机”就是更早形成正确意图、更少犹豫、执行更平稳、风险变化时撤得掉。

部署方法是教师学生模型。

◎ 先在云端训练参数更多、能力更强的教师模型，再针对 Orin X 和 Thor U 分别训练体量更小、运行更快的车端学生模型。“同源”指各平台共享教师体系、训练方法和能力目标，参数、计算图和精度格式并不相同。

新的马赫平台可以跑更大的模型和更高的计算量，Orin X 和 Thor U 要在各自的算力、内存和带宽范围内学习教师模型的关键行为。

◎ 学生模型的容量和运行方式可以不同，只要在绕行、跟车、变道这些核心任务上达到同样的验收标准，就能表现出相近的驾驶风格。

● 蒸馏是再训练

知识蒸馏是让较小的学生模型学习大型教师模型，学习的对象可以是教师的输出概率、中间特征、注意力分布、轨迹选择或行为偏好。理想没有公开马赫 VLA 2.0 的蒸馏损失、参数规模和网络结构。

蒸馏和裁剪、量化是不同的。裁剪删网络结构或参数，量化降数值精度，蒸馏通过训练重新塑造一个学生模型。三者可以组合，蒸馏的核心是能力迁移。

学生模型更小，在各任务上按比例一起变弱的情况并不常见；训练目标足够明确时，它可能在固定任务上接近甚至超过教师，但在开放式语言理解、罕见场景和高度依赖容量的任务上仍有上限。

研究团队把大型 VLA 的驾驶与推理能力蒸馏到紧凑学生模型。

闭环驾驶和语言推理的表现保持在有竞争力的水平，推理时间降了下来，蒸馏是把 VLA 塞进实时驾驶系统的一条可行工程路线。车辆对实时性的要求比离线模型更严。

平均推理速度快不够，尾延迟同样重要：模型大多数时候按时输出、偶尔突然变慢，比稳定但略慢更危险。尾延迟比平均值更要命。

车端团队还要控制内存峰值、传感器吞吐、功耗、热管理和多任务抢占。蒸馏出来的学生模型必须重新走仿真、回放、封闭场地和真实道路验证，不能只比离线分数。

● Orin 与 Thor 之间隔着一整套软件栈

Orin X 与 Thor U 属于两代 NVIDIA 车载计算平台，DRIVE AGX Orin 单芯片最高 254 INT8 TOPS，Ampere 架构，内存带宽最高约 205 GB/s。

DRIVE AGX Thor 采用 Blackwell 架构，最高 1000 INT8 TOPS，内存带宽最高约 273 GB/s，支持更多低精度计算。

峰值 TOPS 换算不出 VLA 的实际帧率。模型适不适合 GPU 或其他加速器、算子能不能融合、精度格式对不对、内存访问是不是瓶颈，每一项都会改变结果。

Thor 的峰值算力是 Orin 的数倍，同一模型不经改造拿不到同比例提速；Orin 上按比例缩小模型，也换不来稳定的体验。参数换不来帧率。

两代平台的软件环境同样不同。

NVIDIA 的迁移文档显示，Orin 与 Thor 对应的 DriveOS、CUDA 和 TensorRT 存在版本分支。部分运行时接口、插件和安全部署路径需要重新构建或调整。

更现实的跨平台方式，是共享同一训练体系和行为目标，再针对每种硬件生成各自的计算图、目标内核、精度策略和运行时包。

理想把自研模型、Harness 体系、星环 OS、编译器团队和马赫 M100 对应的是从云端训练到车端执行的整条链。

自研模型提供可控制的源头。拿到供应商的封闭模型，车企很难针对旧平台重新设计网络、选择蒸馏目标或调整输出结构。掌握训练代码、数据分布和评测指标，才能为不同芯片训练学生模型并保持行为目标一致。

Harness 是指围绕模型的数据组织、任务编排、工具调用、评测、反馈和安全约束系统。放到辅助驾驶上，承担的是高价值片段发现、训练任务构造、自动回放评分、版本管理和失败场景回流。

作用是把模型迭代变成可复现、可验收的流程。

◎ 星环 OS 负责把上层能力与具体硬件隔开，这是一个整车级操作系统，强调虚拟化、异构计算资源共享、跨域调度和多芯片适配；

◎ 兼容 ARM A/R、TriCore 和 RISC V 等架构以及主流驱动框架，可借助硬件模拟器推进软硬件并行开发。

新芯片适配与验证周期，耦合越低，迁移越快。

编译器团队负责把模型压进芯片：拆分计算图、融合算子、选择精度、安排张量在片上缓存与外部内存之间流动，并保证多个实时任务不互相抢占。

Orin、Thor 和 M100 的架构与工具链都不同。同一个网络少了目标平台优化，理论算力很难变成稳定帧率。

特斯拉的跨代发生在自家两代芯片之间：AI3 和 AI4 都是自己定义的，模型、编译器、运行时是一套人马，变量少。

理想这次要同时在 Orin X、Thor U 和自研 M100 上交付，前两代的架构、DriveOS 版本和工具链都不由它决定。

第三方平台与自研平台并行维护，比只围绕单一芯片家族优化复杂得多，正好检验星环 OS 和编译器有没有真的降低硬件耦合。

小结

模型能力长得比车辆换代快，车企得学会把新模型翻译给旧硬件。理想用 OTA 8.6 小试牛刀，马赫 VLA 的训练成果能落到两代 NVIDIA 平台上，是个对老车主挺好的措施。

资料来源

Tesla，Q2 2026 Update

理想汽车，OTA 8.6 / OTA 9.1.1 版本更新，马赫 VLA 2.0 上线 Orin X 及 Thor U 平台

Tesla，AI and Robotics

Tesla，AI Computer Installations

Huang et al.，RT-VLA: Real-Time Vision-Language-Action Models via Knowledge Distillation

NVIDIA，DRIVE AGX Orin Development Platform，

NVIDIA，DRIVE AGX Autonomous Vehicle Development Platform

NVIDIA，DriveOS 7 Migration Guide Overview

NVIDIA，Migrating TensorRT from 10.x to 11.x on NVIDIA DriveOS

理想汽车，理想星环 OS 开源项目

Li Auto，2025 Annual Report Form 20-F

Li Auto，Unaudited Second Quarter 2026 Financial Results

中国汽车标准化技术委员会智能网联汽车分技术委员会等，车用人工智能技术及标准体系研究报告。

       原文标题 : 智驾模型跑得比车快：从特斯拉到理想，用蒸馏给旧硬件下放智驾能力