最近视觉顶级顶会 CVPR 2026 论文入选结果出炉，理想汽车有 12篇 论文（含3篇Oral/Findings），涉及自动驾驶和具身智能的。这次的成果是从感知、规划、世界模型到语言大模型、轻量化部署的全栈系统性技术。

感知与决策：突破传统瓶颈

SparseWorld-TC（Oral入选）： 这个全新架构打破了传统方法依赖鸟瞰图（BEV）和离散化token的瓶颈，直接从原始图像特征端到端预测多帧未来3D占据情况（Occupancy）。在nuScenes基准上刷到了SOTA（当前最优性能），未来时空轨迹预测精度极高。

SGDrive： 借鉴人类驾驶的层级认知，通过结构化时空表示，补齐了通用VLM（视觉语言模型）在驾驶场景的认知空缺，拿下了NAVSIM纯视觉方案SOTA。

强化学习与世界模型：安全与仿真的底座

PlannerRFT + nuMax仿真器： 解决了扩散模型规划器在强化微调时难以场景自适应的痛点。配合他们自研的nuMax仿真器（轨迹推演比原生nuPlan快10倍），大规模并行学习的基建稳了。

AD-R1（Findings）： 直面端到端降本增效的“致命问题”——世界模型往往过于“系统性乐观”（只学专家数据，不会预判危险）。AD-R1引入了反事实合成流水线，作为危险感知评论器，大幅降低了闭环仿真中的违规率。

InfiniDepth & Unposed-to-3D： 前者将深度建模为神经隐式场，支持任意分辨率连续查询；后者实现了无位姿图像的自监督学习，直接从真实图像重建出3D车辆资产，仿真渲染门槛大打折扣。

大模型端侧部署与对齐：更准、更快、更轻

FastMMoE（Findings）： 针对多模态MoE架构的无需重新训练的加速框架。在DeepSeek-VL2等模型上验证，最高削减55%的浮点运算量，却保留了95.5%的原始性能。

LinkVLA & CogDriver： 解决大模型决策抖动和推理延迟。LinkVLA采用粗到细两步解码，直接砍掉86%的推理延迟；CogDriver引入认知惯性机制，驾驶得分直接提升22%。

Switch-KD（Findings）： 跨模态知识新蒸馏范式，直接重构底层逻辑，让0.5B的小模型拥有逼近1.5B模型的多模态理解力，车端边缘计算和智能座舱的福音。

这里还提到，理想在基础研究上的高强度投入（连续5个季度研发投入30亿左右，2025年全年113亿）将迎来系统性井喷。从早期的应用层创新，到如今深耕具身智能的底层学术与工程双向反馈，产学研结合。

下半场，感觉还是会回到 AI 技术创新改变硬件的领域上来。[并不简单] #理想汽车##CVPR##具身智能##物理AI#