小鹏发布第二代VLA视觉语言动作大模型，首次建立时间维度理解，G9L车型全球首发

8 月 27 日讯，据新京报贝壳财经记者张冰从 2026 世界机器人大会现场独家报道，小鹏集团于同期在北京亦庄国际会展中心的小鹏展位召开发布会，集团副总裁兼通用智能中心负责人刘先明正式宣布，小鹏第二代 VLA（Vision-Language-Action，视觉-语言-动作）大模型迎来发布以来的首次重大架构升级。本次升级的核心突破，是让原本只处理静态单帧图像输入的 VLA 模型首次建立起对「时间」这一物理维度的系统化理解能力，能够直接推理连续视频流中物体运动、场景演变和人类意图随时间的变化规律。配合架构升级，同步新增「语音靠边停车」和「语音控制就近泊入」两项端到端功能演示，升级后的第二代 VLA 将在即将上市的小鹏 G9L 加长版车型上全球首发。刘先明在演讲中反复强调：「真实物理世界是一个连续演进的过程，而不是一张张离散的照片。物理 AI 面临的所有难题，归根结底，最大的难题就是理解时间。」

一、2026世界机器人大会现场：小鹏展位发布会现场直击

2026 世界机器人大会于 8 月 21 日至 8 月 28 日在北京亦庄举行，今年的主题为「具身智能·赋能万物」，汇集了特斯拉 Optimus、波士顿动力 Atlas 3、宇树 H1、智元远征 A2 等全球近百款具身智能机器人实体参展。小鹏展位位于主馆 A 区 1308 号，除了第二代 VLA 的发布会，还同时展出了与小鹏汇天联合研发的陆地航母分体式飞行汽车第六代原型机，吸引了大量观众排队体验。

发布会开始前，新京报贝壳财经记者张冰在贵宾室对刘先明进行了 30 分钟的独家专访。刘先明表示，小鹏对 VLA 大模型的投入从 2024 年初就已立项，近三年累计投入研发人员 860 余人、训练算力超过 1.2e26 FLOPs、累计采集真实路测数据超过 56PB。这次第二代 VLA 的架构升级，是团队在过去 14 个月中，围绕「物理世界中的时间推理」这一核心难题，在模型架构、数据构造、训练范式三个层面同步攻坚的综合成果。

二、第一代VLA回顾与第二代核心差距：从静态图像到时序理解

小鹏第一代 VLA 大模型于 2025 年 6 月随 G6i 改款车型正式发布，彼时的核心能力聚焦静态单帧图像理解与自然语言指令到驾驶动作的端到端映射。第一代模型支持约 18000 个细粒度驾驶场景指令，涵盖城市道路常用的变道、超车、避让、红绿灯识别等基础操作，在公开的 XNGP 城市 NGP 测试中，路口通过率较规则方案提升了 23 个百分点，成为当年国内首个将端到端 VLA 大规模落地量产的车企。

但在超过 120 万公里的实际路测数据回传中，小鹏算法团队发现第一代模型存在一个结构性短板：对连续场景的时序理解能力极弱。典型的失败案例包括：前车在绿灯熄灭前最后一秒加速通过，第一代 VLA 无法推理前车的加速意图而选择急刹导致后车追尾；斑马线旁行人停下脚步让行时，第一代模型误判其仍会前进，造成长时间原地等待的「幽灵礼让」；左转待转区中对向左转车辆的微小位移变化，第一代模型无法捕捉其相位优先级，导致抢行或让行不当。这些本质上都是「只看当前帧、不看过往与未来」的静态建模范式带来的必然缺陷。第二代 VLA 的核心突破，正是引入了全新设计的「时序 Token 化编码器」，可直接处理最长 10 秒的连续 BEV 环视视频帧序列，并在编码阶段完成对前车加速度、行人移动意图、红绿灯相位剩余时间、侧后方车辆变道可能性等物理量随时间变化的显式推理。

三、时间维度理解的具体实现：Temporal Cross-Attention与对抗数据增强

第二代 VLA 在模型架构层面引入了一个全新的 Temporal Cross-Attention（时序交叉注意力）模块，用于融合 BEV 环视特征与历史时序特征。具体而言，每一个采样时刻的 BEV 特征图都会通过时序位置编码注入对应的时间戳，再与过去 10 秒内的 49 帧历史 BEV 特征通过可变形交叉注意力进行时序对齐与融合。这一模块的输出不仅包含当前时刻的空间语义信息，还显式包含了每个动态物体在时间轴上的运动轨迹预测与不确定性分布，使得模型在输出控制指令时可以基于物体未来 3 秒、5 秒、8 秒的运动概率进行综合决策。

训练数据构造方面，小鹏在原有的 8PB 真实路测数据基础上，追加了 3.4PB 经过严格质量筛选的真实连续交通流视频数据，同时引入约 25% 的由自研神经辐射场（NeRF）仿真引擎生成的虚拟对抗场景，包括鬼探头、闯红灯抢行、雨天积水失控、施工区域临时引导等高难度边缘场景。模型在推理阶段会实时输出动作置信度随时间变化的曲线，当检测到短时强扰动（如路边广告牌强反光、前方车辆尾灯闪烁异常）导致置信度曲线出现断崖式下跌时，将自动触发降级策略，拒绝执行低置信度动作并回归到传统规则兜底控制，大幅提升极端工况下的行车安全性。

四、两项新功能演示：语音靠边停车与语音就近泊入的端到端体验

发布会现场，小鹏通过一台 G9L 工程样车在展位旁封闭的模拟城市道路区域进行了两项新功能的现场演示。第一项「语音靠边停车」支持用户在任何智驾激活状态下直接以自然语言说出「前面找个合适位置停一下」「靠边停在便利店门口」这类模糊指令，系统会自主完成合规路段筛选（自动排除禁停区、黄色网格线、消防栓 30 米内、公交站台 50 米内等违规区域）、打右转向灯、观察非机动车道、减速、停稳、自动挂 P 挡、拉电子手刹的完整操作链条，全程无需驾驶员介入。

第二项演示是「语音控制就近泊入」，驾驶员仅需说出「帮我停到最近的充电桩」「停到那个白色 SUV 旁边」即可触发功能。系统通过第二代 VLA 融合环视摄像头与激光雷达数据，自主识别周边可用的充电车位和目标参考车辆，实时规划行驶路线到达车位旁，随后启用端到端泊入策略，可处理垂直、平行、斜列式三种常见车位布局，泊入过程中遇到动态物体（如突然路过的行人、儿童推车）可以动态等待或重新规划路径，而不是像传统泊车系统那样直接中断退出。现场 8 次演示全部一次成功，平均泊入耗时较第一代 G9 搭载的传统 APA 系统缩短 45%。

五、G9L全球首发与车型配置详情：全系标配第二代VLA，低配不阉割

发布会同时首次公开了小鹏 G9L 的核心配置信息。G9L 是现款 G9 的中期改款加长版本，整车轴距从 G9 的 2998mm 拉长至 3100mm，后排腿部空间增加 102mm，后排靠背角度可调范围扩展至 41 度，配合全新升级的后排零重力座椅与 23 扬声器丹拿信心系列音响系统，直接对标奔驰 EQS SUV、宝马 iX 等豪华纯电 SUV 的后排体验。

智驾硬件方面，G9L 全系标配双 Orin 2 + NVIDIA DRIVE Thor 中间件芯片组合，总算力达到 1568 TOPS（INT8），较现款 G9 提升 3.6 倍。刘先明在问答环节特别明确表态：第二代 VLA 将作为 G9L 全系标配能力，即使是最低配车型也不会在模型能力上做阉割，低配与高配的差异仅体现在可支持的城市智驾开放场景数量（低配 200 城 / 中配 400 城 / 高配全国不限城）以及 L4 级无人代客泊车的可用停车场范围。售价方面，预售指导价区间 32.98 万至 46.88 万元人民币，2026 年 9 月 18 日正式开启全国预售，预计 11 月首批用户交付。海外市场方面，欧洲、中东、东南亚三个大区将在 2027 年 Q1 同步收到第二代 VLA 能力的 OTA 推送，适配当地交通规则与多语种语音交互。

六、同业对比与行业意义：国内首个公开的时间编码器具身底座

放眼全球自动驾驶与具身智能赛道，时间维度建模已成为 2026 年行业公认的核心技术竞赛点。特斯拉在美国市场推出的 FSD V14 版本同样采用了 VLA 路线，并搭配 Optimus 人形机器人训练积累的时间推理能力，但受限于中国监管政策尚未正式入华。比亚迪在 2026 年春季发布的「云辇 Z + 天神之眼 B」组合智能底盘系统，其核心优势集中在泊车场景的极致精度与底盘姿态主动控制，但并未显式引入时间编码器做跨时域推理。在国内已公开技术路线的车企中，小鹏第二代 VLA 的 Temporal Cross-Attention 时间编码器架构尚属首次公开落地并进入量产阶段的同级别实现。

刘先明在演讲尾声还透露了一项更具行业想象力的计划：2026 年年底之前，小鹏将以 API 形式向生态合作伙伴开放第二代 VLA 时间编码器的通用能力底座，首批合作方向包括物流 Robotaxi、末端配送机器狗、工业巡检机器人三大具身场景。这意味着小鹏内部研发的物理世界时间理解能力，未来将不再局限于乘用车驾驶场景，而是有望扩展至更广泛的工业与生活机器人领域。如果这一开放战略顺利推进，小鹏有望从一家传统意义上的新能源车企，转型为中国具身智能领域少数同时拥有真实路测数据、量产验证模型、开放生态平台的通用物理 AI 能力供应商。

市场反响与行业影响

消息公布后，资本市场迅速给出反馈，港股小鹏汽车（09868.HK）周四午后盘中一度拉升 5.82%，最终收盘上涨 4.31%，报 118.6 港元，成交额较前日放大 57%。A 股汽车智能化板块同步跟涨，德赛西威、伯特利、经纬恒润等智驾产业链相关个股平均涨幅超过 2%。行业研究机构乘联会秘书长崔东树在接受《中国证券报》采访时表示，小鹏第二代 VLA 在时间维度理解上的突破标志着国内自动驾驶从「感知+规则」的混合架构向真正端到端通用物理 AI 架构迈出了关键一步，如果 G9L 大规模量产后的事故率能够保持在现有 XNGP 水平之下，将对全行业的技术路线选择产生示范性影响。更深远的意义或许在于，当驾驶 AI 学会了理解时间，通用物理 AI 的落地门槛将被实质性拉低，未来 3-5 年我们将看到越来越多具备连续物理世界推理能力的机器人产品进入日常生活的各个角落。