#小鹏AI大模型论文再登国际顶会##小鹏顶会论文证实L2到L4技术路径突破#

近期，AI领域最具影响力的国际顶级学术会议——AAAI 2026，由小鹏汽车与北京大学计算机学院多媒体信息处理全国重点实验室联合完成的论文被录用。

我来通俗的解析一下，这里面说了什么。

现在的智能驾驶系统有点像一个知识渊博但反应迟钝的学霸，这篇论文就是为这个学霸做减法，去除无用信息。

它发现，智能驾驶系统在处理摄像头画面时，会把所有信息（比如天空、远处的树）和关键信息（比如车道线、前车）一视同仁，这导致计算量巨大，反应变慢。为了解决这个问题，小鹏发明了一个叫 ReconPruner的智能过滤器。

这个过滤器的作用，就是让系统学会像人一样，只关注画面中真正影响驾驶的“前景”部分（比如车道、车辆、行人），而忽略无关的背景。这样一来，系统就能“瘦身”提速，在保证安全的同时，变得更高效。

现有“删减碎片”的方法在驾驶场景中效果差，容易误删关键信息（如车道线或行人）。

而这次的核心灵感，是模仿人类驾驶员的注意力，只关注与驾驶直接相关的前景区域（如车道、车辆、行人），而忽略背景（如天空、建筑物），这样既能提速，又不损失关键信息。

ReconPruner通过图像重建任务学习，并且采用对抗式训练，强制模型区分前景与背景，避免AI“偷懒”保留所有碎片。

包含了24.1万张驾驶场景图，每张图都标注了前景区域，用于训练ReconPruner识别驾驶相关区域。

最后的效果也是非常喜人的：

1. 速度提升：将视觉碎片数量减少50%时，模型计算量降低近7.5倍，推理速度提升3.7倍。原模型处理一帧需38.2毫秒，优化后仅需5.1毫秒。

2. 性能保持： 删减50%碎片后，模型的轨迹预测精度、碰撞率等关键指标优于未删减的原模型（如碰撞率降低0.25%）。

3. 可视化对比：传统方法易忽略车辆或车道，而现在能精准聚焦车道线、前车等关键对象。

4.轻量：ReconPruner仅含0.07亿参数，几乎不增加模型体积。

5.安全优先：最高仅删减75%碎片，避免过度压缩导致安全隐患。

这篇论文的核心贡献是让智能驾驶模型学会“抓重点”：通过模拟人类对前景的关注，用轻量级过滤器动态删减冗余视觉信息，在保持甚至提升驾驶安全性的前提下，显著降低算力需求。

除了对三图灵的Ultra架构高达2250Tops算力下有巨大帮助，同时也有望推动复杂VLA模型未来有望在小鹏的双Orin 508Tops和单图灵700Tops的中等算力Max车型上的部署。

#小鹏汽车[超话]#