实测车载DeepSeek：做北京旅游攻略 避开喝豆汁儿那种

接入DeepSeek后，理想又为车机自研了一个推理模型：

它能帮你编故事哄孩子，提供买房建议，还能制定旅游攻略，直接筛掉你不想要的体验。

虽然此前的推理模型也能胜任这些任务，不过理想自研推理模型有所不同——

它能自主分析，你的问题需要不需要思考，需要深度思考还是短思考。

行业争着接入了DeepSeek的当下，理想选了一条新路径，打造了「汽车版DeepSeek」。

汽车版DeepSeek有什么特点？

为什么理想要花大力气自研推理模型，而不是直接上车DeepSeek？

带着这些问题，智能车参考第一时间上车“拷问”了一番理想同学：

不是，你一句“我不喝豆汁儿”，他就真给你做北京一日游攻略啊。

实测「汽车版DeepSeek」

更新理想OTA 7.2版本后，进入语音设置界面会看到一个深度思考的按钮，就像咱们日常用的DeepSeek一样，点击打开：

你也可以用语音对话，让理想同学帮你打开。

不过与常见推理模型不同的是，即便打开了深度思考开关，理想同学也不会每条对话都陷入沉思，而是模型自主决策要不要思考，要思考多久：

车控命令「不思考」，理想同学直接执行简单需求「短思考」，车机上方会显示生成中

复杂需求才「深度思考」，理想同学还会说「emmm，我得想想」

实际体验下来，像“我好热啊”、“腰好酸”、“还有多久到目的地”这类对话，即便是处于「深度思考」模式下，理想同学也会分别打开空调、座椅按摩、显示目的地，瞬间响应，无需思考。

而对于车主的一些复杂需求，比方说，你想去北京旅游，但又不想品鉴老北京豆汁儿，那就直接把定制攻略的需求说给理想同学。

稍等几秒，私人定制的旅行攻略就出来了，精确到每个小时去哪儿玩，吃什么(pass掉了豆汁)，花多少钱。：

家孩子在车上不睡觉闹腾，你可以让TA现编个故事哄哄孩子：

老婆打电话沟通房子买哪儿，你也可以问问理想同学：

这都是理想同学深度思考后给出的答案，而且比常见的推理模型响应要快一点。

自主选择思考长度，更快的深度思考，这背后是怎么实现的？

「汽车版DeepSeek」的实现过程

理想此前自研的MindGPT大家都比较熟悉了，「汽车版DeepSeek」实际就是以MindGPT为基座模型，进行了后训练，指令微调和强化学习多阶段优化。

首先，由于模型能力和数据质量直接相关，所以理想在训练数据上做了非常细致的工作。

据介绍，理想基于过去已有的1100多个技能体系，根据问题复杂度和场景，对数据做了精细归类。

数据类型主要分三种：

第一类，适合做长推理的多轮对话样本，规模在数十万级，用DeepSeek去产出思考过程，然后将产出结果作为训练深度思考能力的数据。

第二类，不适合做长推理，但是仍然需要短思考的数据，还是借助DeepSeek加工形成的短思考数据，规模大概在十万级。

第三类则是以往存储的不需要思考的数据，这部分数据最多，据了解规模在百万级，理想从中做了抽样。

这三类数据最终合在一起对模型做后训练，模型就具备了长思考能力，同时也会自主决策是否需要思考，以及思考长短。

完成模型训练后，理想又遇到了另一个痛点：

如何让模型在深度思考的同时，又能响应的更快？

理想关注的首要指标是首token响应时间，最快可达0.3秒。

背后主要是三项措施：

PD分离，将Prefill和Decoder分离部署由于Prefill阶段对首Token影响最大，这一阶段采用高性能Attention机制多卡并行推理工程优化

看上去实现过程并不复杂，但实际上理想遇到了很多挑战，春节复工归来就定下了4月初上新的时间点，然后开启冲刺，时间紧，任务重。

为什么理想车端不直接用DeepSeek，而是自研推理模型？

为什么自研车端推理模型？

据理想汽车透露，其打造车端推理模型有内外两大因素：

据介绍，实际上此前理想的车主就有这方面需求。有的车主日常会问车机一些时事新闻，然后想了解背后的投资建议，比如最近疯涨的金价。

也有车主上班路上突然接到通知要开会，但是对会议主题涉及的市场又不够了解，想让模型归纳相关信息进行分析。

过去的模型不能满足车主这方面的需求，理想便考虑上车推理模型。

然后DeepSeek火爆海内外，加速了上车过程。

DeepSeek强大的破圈效应让很多用户第一次了解到AI的威力，原来AI可以深度思考，提供如此强大的分析能力。

有的车主就直接来问理想：

你们什么时候接入DeepSeek？

这样的问题，相信业内不只有理想收到了。这也是为什么春节复工后，一众车企争先宣布接入DeepSeek。

实际上，理想同学App此前也接入了满血版的DeepSeek。

那为什么还要理想要在车端自研推理模型呢？

理想汽车认为，DeepSeek更倾向电脑和手机等终端场景，车载场景更加垂直，不管是车主的相关知识需求，还是对话要求的响应速度，都需要打造一个「汽车版DeepSeek」。

现有的推理模型，一般思考时间都比较长，而且思考后输出的内容也很长，但车主并不是每次对话都需要一个很丰富的内容作为回应。你是个好模型，只是咱们不合适。

所以理想认为，需要一个「汽车版的DeepSeek」，能提高模型思考能力的同时，也能更灵活快速地响应车主对话，避免车主问一个问题无法得到及时回复，而且回复显得冗长。

模型自主决策是否思考和思考长度，这区别于目前的主流方案。

这一特性有希望推广到其他场景吗？

理想汽车也对未来趋势做出了展望，这很可能会是后续AI助手应用的一个发展方向。

结合当前行业进展，以及理想对理想同学的追求来看，或许理想未来会在端侧部署大模型，以加快响应车主相关需求。

也有分析指出，由于英伟达Thor即将上车，更充沛的算力和前瞻设计，也为未来实现「舱驾一体」提供了可能。

会深度思考的理想同学，是不是朝着李想此前提出的「硅基家人」，又近了一步doge？

理想自研推理模型，解决你的痛点了吗？

责任编辑：若风

文章内容举报