一、整体结论：端侧选型三条典型路线

1. “强算力 + 自研大模型”路线（小鹏、理想、华为）
   • 车端算力 750 TOPS 量级（自研图灵芯片或 8295+AI Box），支持 10B 级 VLM 本地运行，偏“端侧优先”。
   • 典型：小鹏天玑 AIOS 6.0 的座舱 VLM、理想 Mind GPT 在车端的部署、华为 MoLA 2.0 的 System Agent。
2. “中央计算平台 + 端云协同大模型”路线（蔚来）
   • 中央计算平台 ADAM：骁龙 8295 座舱 + Orin X 智驾，算力共享，多模态感知模型本地部署，大模型能力以“端云一体认知中枢”形式呈现。
   • 强调：隐私敏感的感知在本地，复杂推理在云端。
3. “主流座舱芯片 + 适度端侧推理”路线（多数采用 8295 的鸿蒙座舱车型、比亚迪等）
   • 座舱芯片以骁龙 8295（AI 算力约 30 TOPS）为主，做增强型语音助手、多模态感知；大模型推理更多在云端，或端侧部署小模型（~1–3B）。
   • 代表：搭载鸿蒙座舱 5/6 的合资/自主品牌车型（天籁、铂智 7 等）。
     下面按厂商展开。

---

二、按厂商拆解：量产车型 + 真实披露数据

1. 小鹏天玑 AIOS 6.0（2026 款 P7+ / G7 等）

量产车型：

• 2026 款小鹏 P7+、G7、G6、G9、X9 等搭载天玑 AIOS 6.0。

1）芯片硬件架构

• 座舱算力：
  • 天玑 AIOS 6.0 宣称“智能座舱有效算力 750 TOPS”，由自研座舱图灵 AI 芯片提供。
  • 部分车型同时搭载高通骁龙 8295P 或联发科 MT8676 作为主控芯片。
• 智驾算力：
  • 第二代 VLA 智驾系统采用自研图灵 AI 芯片，旗舰车型（如 P7+）可搭载三颗图灵芯片，总算力 2250 TOPS。

这里的“有效算力 750 TOPS”是官方宣传口径，未拆分 NPU/GPU；但可以确认的是：小鹏在座舱侧部署了远高于 8295（30 TOPS）的算力，为端侧 VLM 提供空间。

2）推理框架与部署形态

• 官方明确：
  • “行业首个落地端侧座舱视觉语言模型（VLM）”。
  • VLM 可实现：跨场景多轮对话、车况问答、本地记忆库、与第二代 VLA 联动（语音→智驾执行）。
• 推理框架：
  • 未公开具体框架名称，但强调“自研 VLM + 图灵芯片”的协同推理。
  • 面向视觉大模型，小鹏发布了 TuringViT，主打高分辨率视觉 Transformer 的端侧高效推理——这类技术很可能用于座舱视觉感知与智驾 VLA。

3）模型参数类型与能力分工

座舱 VLM	端侧（图灵芯片）	~10B 参数级视觉语言模型（官方未精确披露，但行业报道强调“10B 参数大模型在车端运行”）	多轮对话、车况问答、环境感知（用户穿着、车内状态）、本地记忆库，离线场景问答
第二代 VLA（智驾）	端侧（图灵芯片）	端到端 VLA（视觉-语言-动作）模型	智驾感知-预测-规划一体化，与座舱 VLM 协同，实现“一句话自动驾驶”
云端大模型	云端	更大参数基座模型（未公开具体规模）	复杂推理、云端知识库、接入第三方服务生态
协同工作方式：

• 本地优先：
  • 高频语音指令、车况问答、环境感知由端侧 VLM 完成，强调“主动服务座舱”和“离线可用”。
• 端云协同：
  • 复杂多步任务、云端知识检索和第三方服务由云端大模型协助完成。
• VLM + VLA 联动：
  • VLM 理解用户自然语言意图，交给 VLA 执行自动驾驶，实现“带我去附近星巴克并直接停到门口”的闭环。

---

2. 蔚来 NOMI GPT（Banyan·榕 智能系统）

量产车型：

• 搭载 Banyan·榕 智能系统的 2024/2025 款 ES6、ET5、ET7、ES7 等车型。

1）芯片硬件架构

• 中央计算平台 ADAM：
  • 集成 1 颗骁龙 8295 智能座舱芯片 + 4 颗英伟达 Orin X 智驾芯片。
  • 官方宣称总算力 1016 TOPS，并支持“智驾、智舱和整车控制最大 256 TOPS 算力共享”。
• 架构特点：
  • 从“舱驾分离域控”升级为“中央计算平台”，跨域带宽从千兆提升到 16 Gbps，实现多域间高速互联。

2）推理框架与部署形态

• NOMI GPT 架构：
  • 端云多模态大模型，包含：自研多模态感知、自研认知中枢、情感引擎、多专家 Agent。
• 端侧多模态感知：
  • 官方称“行业领先的端侧多模态感知能力”，车内联网不再是使用 NOMI 的必须条件，强调“看得见、认得出”，敏感信息不出车。
• 认知中枢与情感引擎：
  • 认知中枢实现调度分发、多模拒识、跨域继承/跳转、多 Agent 决策等。
  • 情感引擎结合短期/长期记忆，实现情绪识别、个性化人设等。

3）模型参数类型与能力分工

端侧多模态感知模型	端侧（骁龙 8295 + Orin X 共享算力）	未公开具体参数，官方强调“端侧多模态感知大模型”	车内物体识别、乘员识别、情绪判断、多模态拒识（判断哪些话是对 NOMI 说）
NOMI GPT 认知中枢	端云一体	“数十亿级参数模型”	意图理解、任务调度、多 Agent 协同、百科问答、无限趣聊、场景生成
情感引擎	端侧为主	结合记忆网络	情绪识别、个性化氛围灯、音乐联动等
多专家 Agent	端云协同	NIO Agents、User Agents、三方 Agents	车控、服务预约、社区互动、第三方 API 调用

注：官方未精确公开端侧模型参数规模，仅披露“数十亿级参数”的总体模型规模，并未拆分端侧与云端的具体参数量。
协同工作方式：

• 端侧感知：
  • 多模态感知模型在本地处理视觉、语音等输入，保障隐私和弱网可用。
• 端云协同推理：
  • 复杂问答、百科、多 Agent 协同由 NOMI GPT 认知中枢在云端协同完成。
• 跨域算力共享：
  • 座舱与智驾算力可在 ADAM 内统一调度，提升多模态大模型部署效率。

---

3. 理想 Mind GPT（理想同学）

量产车型：

• 理想 L 系列车型（L6/L7/L8/L9/MEGA 等）通过 OTA 升级 Mind GPT，支撑车载“理想同学”。

1）芯片硬件架构

• 座舱芯片：
  • 新一代理想 L6 等车型搭载高通骁龙 8295 座舱芯片，为多屏联动和大模型推理提供算力。
• 自研智驾芯片：
  • 理想自研马赫 M100 芯片，5nm 车规级工艺，单芯片算力 1280 TOPS，用于智驾 VLA 大模型。

2）推理框架与部署形态

• Mind GPT：
  • 自研多模态认知大模型，采用 TaskFormer 架构，训练数据规模 3T Token。
  • 通过 OTA 升级，支持免唤醒交互、方言识别、知识问答、出行规划、内容生成等。
• 车端部署：
  • Mind GPT 作为“认知大模型”上车，官方强调“围绕车载场景打造”，具备记忆网络、工具调用、搜索引擎接入等能力。

3）模型参数类型与能力分工

Mind GPT 基座	端云协同	自研 TaskFormer 架构，3T Token 训练，参数规模未精确披露	知识问答、出行规划、内容生成、工具调用（300+ 工具）
理想同学智能体框架	端侧为主	基于 Mind GPT 的智能体系统	任务拆解、工具编排、多轮对话
马赫 VLA（智驾）	端侧（马赫 M100）	VLA 端到端大模型	智驾规划与控制，与座舱协同

官方公开的是训练数据规模与架构，而非具体参数规模；车端部署多少参数目前未披露。
协同工作方式：

• 端侧：
  • 多模态感知和部分推理在车端完成，强调车内交互和隐私保护。
• 云端：
  • 接入 DeepSeek-R1/V3 等大模型用于复杂推理与联网搜索。
• 工具与 Agent：
  • Mind GPT 作为控制器，调用外部工具与搜索引擎，扩展能力边界。

---

4. 华为鸿蒙座舱 HarmonySpace 5/6（MoLA 2.0）

量产车型：

• 广汽丰田铂智 7 搭载鸿蒙座舱 HarmonySpace 5（MoLA 架构）。
• 东风日产天籁鸿蒙座舱版、阿维塔 12 等搭载鸿蒙座舱 5/5.2/6，使用骁龙 8295 芯片。

1）芯片硬件架构

• 座舱芯片：
  • 多款鸿蒙座舱车型搭载高通骁龙 8295，AI 算力约 30 TOPS。
  • 例如天籁鸿蒙座舱版：15.6 英寸 2K 华为智慧屏 + 骁龙 8295，实现旗舰级流畅体验。
• AMS 感知硬件：
  • HarmonySpace 6 搭载三合一 AMS 系统：800 万像素 RGB + 200 万像素红外 + 星闪传感器，用于疲劳检测、生命体征监测等。

2）推理框架与部署形态

• MoLA 2.0 架构：
  • System Agent：千亿级参数多模态端到端大模型，负责全局意图理解与任务拆解。
  • 垂域 Agent：导航、车控、智驾 ADS、聊天、生活服务等智能体，各自负责本领域执行。
  • 通过 A2A（Agent-to-Agent）协议实现跨域协同。

3）模型参数类型与能力分工

System Agent	端侧为主、云端增强	千亿级参数多模态大模型	全局模糊语义理解、任务拆解、跨 Agent 调度
垂域 Agent	端侧	多个垂域模型（导航/车控/智驾等）	领域内指令理解与执行
AMS 多模态感知	端侧	视觉+红外+星闪感知模型	疲劳检测、生命体征监测、肢体动作识别
云端大模型与服务	云端	未披露具体参数规模	云端知识库、第三方服务接入（点餐、支付等）

华为官方更多披露的是“千亿级参数”和“MoLA 架构”，并未拆分端侧与云端具体模型规模；在骁龙 8295 上，千亿模型更多是云端/边缘侧协同，端侧通常为裁剪版本。

---

5. 其他量产路线（简要）

• 广汽星河智舱 ADiGO Intelligence：
  • 官方披露“端云一体架构 + 自研 AIOS 底层 + 多模态感知引擎 + 多智能体协同引擎 + 情感表达引擎”。
  • 座舱芯片多为骁龙 8295 级别，端侧部署多模态感知模型，大模型推理以云端为主，具体参数规模未披露。
• 比亚迪 DiLink AI + 超级智能体“迪迪虾”：
  • 官方定义“AIOS + 超级智能体引擎 + Agent 开放平台”。
  • 座舱芯片多为 8295 级，端侧做语音识别与多模态感知，大模型推理更多在云端，具体端侧模型参数未公开。

---

三、从“选型视角”提炼：端侧模型部署的关键决策点

下面这张表把“芯片算力 → 模型规模 → 能力覆盖”的关系做一梳理（仅基于公开披露与行业经验）：

~30 TOPS（骁龙 8295）	1–3B 量化模型；高负载场景可考虑 7B INT4	增强型语音助手、简单问答、多模态感知、车控意图理解	鸿蒙座舱（天籁等）、比亚迪 DiLink AI 等
~100–200 TOPS（8295 + 外挂 AI Box）	3–7B 模型，可尝试 10B 量化（需要强 NPU）	多轮对话、车况问答、轻量 VLM 能力、部分离线场景	部分中高端车型 AI Box 方案
≥ 750 TOPS（自研座舱 AI 芯片）	10B 级 VLM/LLM 本地运行	多模态感知 + 本地推理 + 离线可用，与智驾 VLA 协同	小鹏天玑 AIOS 6.0
中央计算平台（舱驾融合）	多模态感知本地 + 大模型端云协同	感知隐私数据本地处理；复杂任务云端大模型 + 多 Agent	蔚来 ADAM + NOMI GPT
自研智驾芯片 + 座舱芯片组合	VLA 端侧 + 座舱 VLM 端侧	智驾与座舱一体化智能体，语音直接控制智驾	理想马赫 M100 + 8295；小鹏图灵芯片

1. 芯片硬件架构选型要点

1. 座舱芯片：骁龙 8295 已成为“AI 座舱标配”
   • 5nm 工艺，CPU 230K DMIPS，GPU 3.1 TFLOPS，AI 算力约 30 TOPS。
   • 能支撑多屏联动、增强语音助手、多模态感知，但对于 10B 级大模型本地推理仍有压力，需要外挂 AI Box 或自研大算力芯片。
2. 舱驾融合 / 中央计算平台
   • 蔚来 ADAM 模式：骁龙 8295 + Orin X，跨域算力共享，适合多模态大模型端侧部署。
   • 选型时要关注：跨域带宽、内存带宽、散热与功耗约束。
3. 自研 AI 芯片（小鹏图灵、理想马赫）
   • 优势：
     • 座舱与智驾统一算力池，VLM + VLA 协同更顺畅；
     • 可针对自研模型做指令集/内存层次优化。
   • 劣势：
     • 生态和工具链相对高通/英伟达更不成熟，需要自建推理框架与部署工具。

2. 推理框架与软件栈选型

结合行业实践与公开信息，可以归纳为：

• 自研路线（小鹏、理想、蔚来、华为）：
  • 都有自研训练/推理框架：
    • 小鹏：TuringViT 面向高分辨率视觉模型端侧部署；
    • 理想：TaskFormer 架构支撑 Mind GPT；
    • 蔚来：自研端云一体认知中枢和情感引擎；
    • 华为：MoLA 架构 + MindSpore/思云生态（从公开资料推断）。
• 通用芯片路线（骁龙 8295）：
  • 多采用高通 AI Stack + 厂商自研调度框架：
    • 支持 INT4/INT8 量化、多模型并发；
    • 需要结合语音、视觉、推荐等多任务做模型编排。
      选型建议：
• 若采用 8295，建议：
  • 端侧部署 1–3B 量化模型为主，通过知识蒸馏/剪枝压缩；
  • 将隐私敏感的感知（DMS/OMS）和多模态拒识放在本地；
  • 复杂问答和长上下文推理走云端大模型。
• 若采用自研大算力芯片或中央计算平台：
  • 可大胆尝试 7–10B 级 VLM/LLM 本地部署，结合智驾 VLA 做端到端闭环；
  • 推理框架需支持：多模型编排、端云路由、量化与内存优化、安全与审计。

3. 模型参数类型与能力边界

结合公开资料和行业经验，可以给出一个“经验性”的端侧能力边界：

• ~1–3B 模型（8295 典型）：
  • 适合：单轮问答、车控意图理解、简单闲聊、轻量推荐。
  • 不适合：复杂多步推理、长上下文写作、高质量代码生成。
• ~7B 模型（需要强 NPU/外挂 AI Box）：
  • 可做多轮对话、简单推理、中等复杂度问答；
  • 需要重度量化（INT4）和算子优化，否则首字延迟难以满足车载语音 <500ms 的要求。
• ~10B 级 VLM（需要 750+ TOPS）：
  • 能做：多模态感知（看车内/看环境）+ 多轮推理 + 本地记忆库；
  • 小鹏天玑 AIOS 6.0 宣称“行业首个端侧座舱 VLM + 750 TOPS 算力”，即为此类路线。

---

四、总结：如何做端侧模型部署调研选型

结合上述量产案例，可以归纳一套“调研→选型”的方法：

1. 从量产车型出发，反向确认硬件与算力
   • 查阅官方配置页与拆解文章，确认座舱芯片型号（8295/8155/自研）、是否外挂 AI Box、舱驾是否融合。
2. 从官方技术文章中提取“端侧部署关键词”
   • 若出现“端侧多模态感知”“端侧 VLM”“本地记忆库”“离线可用”，说明端侧模型有实质部署；
   • 若仅提“端云大模型”“大模型上车”，多数是云端为主、端侧为辅。
3. 从架构推断模型分工与协同方式
   • System Agent + 多垂域 Agent（华为 MoLA） → 大模型负责调度，垂域模型负责执行；
   • VLM + VLA（小鹏、理想） → 座舱与智驾统一模型空间，语音可直接驱动智驾。
4. 根据芯片算力与公开披露，反推“可行模型规模”
   • 8295 → 侧重 1–3B 端侧 + 云端大模型；
   • 750 TOPS 自研芯片 → 10B 级 VLM 端侧可行；
   • 中央计算平台 → 多模态感知本地 + 大模型端云协同。
     如果你后续需要，我可以帮你把上述内容整理成一张“车企-芯片-端侧模型规模-能力分工”的对比表，方便直接放入调研报告。