刚刚，理想汽车发布 MindVLA-o1 模型，詹锟主讲。前两年连续在 GTC 代表理想汽车主讲的贾鹏，现在自己创业做机器人了，昨天也讲了很多有关具身智能相关的思考。

MindVLA-o1 是如何诞生的呢？原因是理想汽车发现现在业界 VLA 的局限性。

1. 3D 空间、语言、思考之间存在对齐效率不一致的情况；2. 长尾场景需要结合合成数据和强化学习；3. 计算效率和系统成本，未来的方向必须是软硬协同的架构设计。（暗示自研芯片）

基于此，理想汽车推出了下一代统一架构 MindVLA-o1，有这样几个设计原则。

1. 具备原生多模态 MoE Transformer 架构，模型设计之初，就统一进行视觉、语言行动的训练，而不是分别训练再融合（对齐，并且有更强的泛化能力）。2. 原生 3D 视觉 Tokenizer，引入 3D ViT 编码器，用视觉建模 3D 世界。让模型能更自然地理解空间结构。3. 多模态推理能力。语言模型承担语义理解、常识知识、交互能力，同时引入显示推理能力。4. 隐式世界模型，通过 Predictive Latent Model，模型可以对未来的环境进行预测。5. 软硬件协同设计和强化学习闭环能力。

42how新能源汽车理想发布MindVLA-o1