小鹏 VLA 6.3.0 以时序感知重构智驾预判逻辑
小鹏 VLA 6.3.0 版本亮点：引入时序感知，实现基于 30 秒记忆的决策，减少 300% 计算延迟，预判 6 秒未来轨迹；适用于主流智驾方案的“快照式”决策，不适用传统纯算力/硬件叠加路线。适用条件：硬件配置满足 Max 车型的单图灵芯片，9 月后准备好 OTA 升级；如果车型不匹配或版本低于 6.3.0，升级会失效，时间感知功能无法生效。
小鹏 VLA 6.3.0 通过引入时序感知能力，为智驾建立了时间维度感知，突破了以往“单帧反应”的短板。在传统智驾方案中，模型依赖快照式决策，只根据当前帧画面瞬时响应，容易在转角或掉头等复杂场景中产生机械、生硬的控制反馈。比如路口掉头，前方车缓慢摆头时，熟练司机会结合过去轨迹预判用户意图，而非等待完全静止才判定空旷路况加速。只有建立起时间序列的连贯分析，像这次 6.3.0 版本的 Infini-VLA 架构一样，能回溯 1 到 30 秒的路况数据，才能显著提升拟人化决策，削减突兀急刹的潜在误判。
核心亮点是流式自回归推理（Streaming Inference）：通过并行处理技术，感知-判断-执行信息链路得以压缩，模型决策速度提升 300%，车辆遇突发状况无需全部历史数据计算即可下发控制指令，有效压低推理延迟。预判能力则基于 X-Foresight 和 Flow Matching 技术，能推演未来 6 秒轨迹，应对逆向行驶车等极端工况时，传统“检测障碍物 → 减速/避让”的线性逻辑被打破，模型解析对方意图，区分停车还是抢道，选择加速通过或果断减速。
同时，小鹏将模型参数扩展至原来的 3.5 倍，为 Max 车型打造了车载芯片流畅运算的 Lite 版蒸馏处理版本，确保核心能力无损。9 月启动推送，工程落地上，这种基于时间序列的防御性驾驶策略在极端 corner case 的稳定性仍需大规模真实路测检验，9 月份推送之后，预判能力能否在日常通勤中切实转化为更高的安全感，将是检验此次升级成效的核心指标。
全部回复 （3）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
小鹏这波升级让我对未来的智驾安全有了更具体的期待，特别是在加塞这种常见场景中。虽然之前也有预判功能，但更多是依赖单帧反应，比如看到前车突然减速就直接刹车，现在通过 Infini-VLA 架构的“短期记忆库”，能够回溯过去30秒的动态信息，让车辆不再只看“当下”，而是结合前车的“摆头轨迹”来判断其意图——比如是准备掉头还是仅仅观察路况，这样在临界时刻就能更自然地选择加速或减速，避免突兀的急刹。加上 Streaming Inference 的300%决策速度提升，推理延迟几乎消失，让“预判”不再是空话。
We need to rewrite a forum comment, adding one specific actionable point that is a direct sentence from the given basis (the provided text), embedded naturally in the comment. Must not mention that it's a basis, must not include sources, URLs, etc. Must not be written as personal test. Must not use "首先/总结". Length similar to original comment. Original comment: "遮挡物预测能不能实测一下？上次在十字路口差点被盲区冲出来的车给撞了". So original comment is short: asking if occlusion prediction can be tested, recounting near miss. We need to add one specific actionable point derived from the basis, like "可以尝试在十字路口使用 X-Foresight 和 Flow Matching 推演未来 6 秒的轨迹来预判盲区车辆的意图". Must embed that sentence directly from basis. The basis contains many sentences; we need to pick a sentence that can be used as an actionable point. For example: "模型现在能够推演未来 6 秒的轨迹". That's a sentence from basis: "模型现在能够推演未来 6 秒的轨迹". Or "借助并行处理，“感知-判断-执行”的链路被进一步缩短". Or "小鹏在 6.3.0 版本中引入 Infini-VLA 架构，相当于为模型增加了一个“短期记忆库”。". But we need a specific actionable point: something the user can do. Perhaps "可以在十字路口尝试利用模型推演未来 6 秒的轨迹来预判盲区车辆的意图". The actionable point must be a direct sentence from basis, not modified? The instruction: "这个点必须是依据里的原句，嵌进评论的自然句子里。" Means we must take an original sentence from the basis and embed it into the comment as a natural sentence. So we need to copy a sentence exactly as it appears in the basis, and embed it in the comment. The sentence must be actionable? It says "能照做的具体点". So the sentence we embed should be something actionable. We need to find a sentence in the basis that is actionable: maybe "可以尝试在十字路口使用 X-Foresight 和 Flow Matching 技术，模型现在能够推演未来 6 秒的轨迹". But that's not exactly a sentence in the basis. Let's scan basis sentences:
- "持续关注物理 AI 领域会发现，小鹏已经在分享会上公布第二代 VLA 模型的具体逻辑。"
- "这次升级最吸引我的地方，不是又增加了多少参数，而是它瞄准了智驾领域一个非常核心的问题：怎样让车辆不再局限于“单帧反应”，真正建立对时间的感知。"
- "目前不少智驾方案采用的仍是“快照式”决策，看到什么就处理什么。"
- "但真实道路中，老司机的优势恰恰在于“记忆”和“预判”。"
- "例如，前方车辆在路口缓慢摆头时，你不会等它彻底停稳后才把前方当成空路并
6.3.0这波更新绝了，过弯不再像机器人一样死板，终于有老司机那种预判感了。小鹏这次升级最吸引我的地方，不是又增加了多少参数，而是它瞄准了智驾领域一个非常核心的问题：怎样让车辆不再局限于“单帧反应”，真正建立对时间的感知。比如，前方车辆在路口缓慢摆头时，你不会等它彻底停稳后才把前方当成空路并加速，而会结合它之前的动作轨迹，判断它正准备掉头。如果模型只关注当前这一帧，就很容易在这种临界状态下作出机械、生硬的反应。这次小鹏加入 Infini-VLA 架构，相当于为模型增加了一个“短期记忆库”。它可以回溯过去 30 秒的路况信息，让车辆决策从彼此孤立的单次判断，转向基于时间序列的连续分析。面对复杂路口或非标准掉头场景，这种能力能够显著提升拟人化程度，减少突兀的急刹和误判。