一凡 發自 副駕寺智能車參考 | 公眾號 AI4Auto

接入DeepSeek后，理想又為車機自研了一個推理模型：

它能幫你編故事哄孩子，提供買房建議，還能制定旅游攻略，直接篩掉你不想要的體驗。

雖然此前的推理模型也能勝任這些任務，不過理想自研推理模型有所不同——

它能自主分析，你的問題需要不需要思考，需要深度思考還是短思考。

行業爭著接入了DeepSeek的當下，理想選了一條新路徑，打造了「汽車版DeepSeek」。

汽車版DeepSeek有什么特點？

為什么理想要花大力氣自研推理模型，而不是直接上車DeepSeek？

帶著這些問題，智能車參考第一時間上車“拷問”了一番理想同學：

不是，你一句“我不喝豆汁兒”，他就真給你做北京一日游攻略啊。

實測「汽車版DeepSeek」

更新理想OTA 7.2版本后，進入語音設置界面會看到一個深度思考的按鈕，就像咱們日常用的DeepSeek一樣，點擊打開：

你也可以用語音對話，讓理想同學幫你打開。

不過與常見推理模型不同的是，即便打開了深度思考開關，理想同學也不會每條對話都陷入沉思，而是模型自主決策要不要思考，要思考多久：

• 車控命令「不思考」，理想同學直接執行
• 簡單需求「短思考」，車機上方會顯示生成中

• 復雜需求才「深度思考」，理想同學還會說「emmm，我得想想」

實際體驗下來，像“我好熱啊”、“腰好酸”、“還有多久到目的地”這類對話，即便是處于「深度思考」模式下，理想同學也會分別打開空調、座椅按摩、顯示目的地，瞬間響應，無需思考。

而對于車主的一些復雜需求，比方說，你想去北京旅游，但又不想品鑒老北京豆汁兒，那就直接把定制攻略的需求說給理想同學。

稍等幾秒，私人定制的旅行攻略就出來了，精確到每個小時去哪兒玩，吃什么(pass掉了豆汁)，花多少錢。：

家孩子在車上不睡覺鬧騰，你可以讓TA現編個故事哄哄孩子：

老婆打電話溝通房子買哪兒，你也可以問問理想同學：

這都是理想同學深度思考后給出的答案，而且比常見的推理模型響應要快一點。

自主選擇思考長度，更快的深度思考，這背后是怎么實現的？

「汽車版DeepSeek」的實現過程

理想此前自研的MindGPT大家都比較熟悉了，「汽車版DeepSeek」實際就是以MindGPT為基座模型，進行了后訓練，指令微調和強化學習多階段優化。

首先，由于模型能力和數據質量直接相關，所以理想在訓練數據上做了非常細致的工作。

據介紹，理想基于過去已有的1100多個技能體系，根據問題復雜度和場景，對數據做了精細歸類。

數據類型主要分三種：

第一類，適合做長推理的多輪對話樣本，規模在數十萬級，用DeepSeek去產出思考過程，然后將產出結果作為訓練深度思考能力的數據。

第二類，不適合做長推理，但是仍然需要短思考的數據，還是借助DeepSeek加工形成的短思考數據，規模大概在十萬級。

第三類則是以往存儲的不需要思考的數據，這部分數據最多，據了解規模在百萬級，理想從中做了抽樣。

這三類數據最終合在一起對模型做后訓練，模型就具備了長思考能力，同時也會自主決策是否需要思考，以及思考長短。

完成模型訓練后，理想又遇到了另一個痛點：

如何讓模型在深度思考的同時，又能響應的更快？

理想關注的首要指標是首token響應時間，最快可達0.3秒。

背后主要是三項措施：

• PD分離，將Prefill和Decoder分離部署
• 由于Prefill階段對首Token影響最大，這一階段采用高性能Attention機制
• 多卡并行推理工程優化

看上去實現過程并不復雜，但實際上理想遇到了很多挑戰，春節復工歸來就定下了4月初上新的時間點，然后開啟沖刺，時間緊，任務重。

為什么理想車端不直接用DeepSeek，而是自研推理模型？

為什么自研車端推理模型？

據理想汽車透露，其打造車端推理模型有內外兩大因素：

據介紹，實際上此前理想的車主就有這方面需求。有的車主日常會問車機一些時事新聞，然后想了解背后的投資建議，比如最近瘋漲的金價。

也有車主上班路上突然接到通知要開會，但是對會議主題涉及的市場又不夠了解，想讓模型歸納相關信息進行分析。

過去的模型不能滿足車主這方面的需求，理想便考慮上車推理模型。

然后DeepSeek火爆海內外，加速了上車過程。

DeepSeek強大的破圈效應讓很多用戶第一次了解到AI的威力，原來AI可以深度思考，提供如此強大的分析能力。

有的車主就直接來問理想：

• 你們什么時候接入DeepSeek？

這樣的問題，相信業內不只有理想收到了。這也是為什么春節復工后，一眾車企爭先宣布接入DeepSeek。

實際上，理想同學App此前也接入了滿血版的DeepSeek。

那為什么還要理想要在車端自研推理模型呢？

理想汽車認為，DeepSeek更傾向電腦和手機等終端場景，車載場景更加垂直，不管是車主的相關知識需求，還是對話要求的響應速度，都需要打造一個「汽車版DeepSeek」。

現有的推理模型，一般思考時間都比較長，而且思考后輸出的內容也很長，但車主并不是每次對話都需要一個很豐富的內容作為回應。你是個好模型，只是咱們不合適。

所以理想認為，需要一個「汽車版的DeepSeek」，能提高模型思考能力的同時，也能更靈活快速地響應車主對話，避免車主問一個問題無法得到及時回復，而且回復顯得冗長。

模型自主決策是否思考和思考長度，這區別于目前的主流方案。

這一特性有希望推廣到其他場景嗎？

理想汽車也對未來趨勢做出了展望，這很可能會是后續AI助手應用的一個發展方向。

結合當前行業進展，以及理想對理想同學的追求來看，或許理想未來會在端側部署大模型，以加快響應車主相關需求。

也有分析指出，由于英偉達Thor即將上車，更充沛的算力和前瞻設計，也為未來實現「艙駕一體」提供了可能。

會深度思考的理想同學，是不是朝著李想此前提出的「硅基家人」，又近了一步doge？

理想自研推理模型，解決你的痛點了嗎？