2025年9月19日，理想第二产品线负责人张骁在成都举行了i8车主见面会，整场活动大约持续了3-4h左右，由于没有录音，大量原话确实也记不住，所以 有损压缩是第一位的，望读者留意。 2.张骁回复那位10岁小朋友的话，回复的很认真（TOP2主观感受下来几乎没有刻意低幼化处理（很多人面对小朋友交流会故意改变语调与回复质 量）），另外10岁小朋友认为理想小同桌太幼稚了些（他认为比较适合5-7岁的） 3.i8改尾部对风阻没有影响。 4.事先预期i8会是一款慢热车型，认为太多东西解释成本很高。 5.内部评审时没有考虑美丑，会考虑高级感以及是否这个设计可以长期经得起时间检验 6.张骁部分概念会用英文（不算多，但有）。 7.比较内向，不倾向高频发微博，不偏好长文输出与录视频，比较偏好长交流。如果非要选更倾向小宇宙这种更深度的平台。 8.感觉张骁比较倾向认为网上舆情与线下实际差异挺大的，认为线下实际更像是真实世界。（这个判断有损压缩的比较严重，非原话，更多属于TOP2的 解读） 流程为：成都市场相关负责人讲了一会，张骁讲了比较长时间，一位AI创业者i8车主讲了一会，一位10岁左右的小朋友讲了一会，QA环节，私聊，吃晚 饭。 ...

Core Viewpoints - The sales performance of the i6 can be interpreted in two ways: good sales may not necessarily lead to positive outcomes, while poor sales could provide valuable lessons for improvement [2][5] - The analogy of quantum mechanics is used to illustrate the uncertainty surrounding the i6's sales performance, suggesting that its success or failure is inherently unpredictable until measured [7][8] Group 1: Sales Projections and Goals - Li Xiang stated that 2025 will be the first year for Li Auto to officially enter the pure electric SUV market, with sales targets for the i6 set at 9,000 to 10,000 units per month, contributing to an overall target of 18,000 to 20,000 units per month for all pure electric models [3] - The sales situation of the i6 will become clearer approximately 1-4 weeks after its release, with further insights expected around March next year due to factors like changes in purchase tax [8] Group 2: Historical Context and Lessons Learned - Li Xiang's past experiences, including challenges faced during the early days of his career, have shaped his approach to leadership and communication, emphasizing the importance of learning from difficulties [4] - The struggles of other companies, such as BYD and NVIDIA, highlight that periods of poor performance can lead to significant growth and eventual success [5][6] Group 3: Quantum Mechanics Analogy - The concept of true randomness in quantum mechanics is likened to the uncertainty of the i6's sales performance, where various potential outcomes exist until actual sales data is observed [7][9] - The analogy suggests that the initial sales data will provide a clearer picture of the i6's market performance, akin to the collapse of a quantum state upon measurement [8][9]

Core Viewpoint - Both Li Auto and ByteDance independently discovered a fundamental issue in the exploration of agents, leading to similar solutions and effects based on their respective business characteristics [2][4]. Group 1: Solutions and Algorithms - Li Auto's approach is more focused on efficient and practical engineering solutions, while ByteDance's method is supported by more formal and comprehensive mathematical theorems, considering all possible scenarios [3][27]. - Li Auto proposed the AWE algorithm, while ByteDance introduced the Entropy-Modulated Policy Gradients (EMPG) framework, which consists of two components: Self-Calibrating Gradient Scaling and Future Clarity Bonus [4][10]. - AWE focuses on supervised fine-tuning (SFT) within token-level adjustments, whereas EMPG emphasizes reinforcement learning (RL) at the step level, both addressing gradient issues caused by uncertainty [4][27]. Group 2: Key Components of Algorithms - AWE is designed to dynamically adjust the influence of each token on model parameter updates, allowing the model to learn easier tokens first before tackling more difficult ones [9]. - Self-Calibrating Gradient Scaling in the EMPG framework directly intervenes and calibrates the strength of learning signals based on the model's confidence in its actions [10]. - Future Clarity Bonus serves as an internal reward mechanism, guiding agents to choose paths that lead to clearer future states, thus enhancing learning efficiency [11]. Group 3: Insights on Learning Dynamics - The core insight from both companies is that there exists an undesirable coupling between the strength of learning signals (gradients) and the model's uncertainty state (entropy) [24][25]. - The EMPG framework focuses on the uncertainty at the step level, while AWE emphasizes the token level, with both approaches utilizing the model's internal feedback signals to guide training [27][28]. - Li Auto's AWE primarily addresses gradient size, while EMPG tackles both gradient size and credit assignment issues [6][27].

以下文章来源于理想星环OS ，作者理想星环OS 理想星环OS . 介绍你想知道的关于理想星环OS的一切 压缩版： 核心矛盾： 将分散在不同物理硬件（ECU）上的功能，集中到同一个高性能计算单元上运行，容易引发资源冲突和互相干扰的风险。一个非关键功能 （如热管理）的软件错误，可能会意外修改关键功能（如刹车）的数据，导致灾难性后果 。 解决方案的顶层设计： 智能车控OS提出了一套轻量级安全隔离框架。其设计哲学为：在同一计算平台上，为不同功能划分清晰的、不可逾越的边界， 同时保证跨越边界的通信高效且低延迟，并确保任何一个边界内的"火灾"（故障）不会蔓延，且能被迅速扑灭和重建（恢复） 。 该框架最值得关注的三个技术亮点，解答了如何隔离、如何通信以及如何恢复这三个根本问题。 亮点一：硬隔离 —— 动态的、细颗粒度的访问权限力场 传统的隔离好比修墙，但这套方案更像是一个动态变化的力场，其访问权限会随着系统当前执行的任务而瞬时改变。 实现原理： 它并非简单粗暴地划分几块大内存，而是利用了硬件的内存保护单元（MPU） 。OS首先建立了一个多维度的内存地图，对每一块数据从不 同维度进行分类和标记，例如：它属于哪个应用、是代码还 ...

Leader有超过10年的AI行业经验，倾向产品和技术深度交流和共同解决难题的伙伴关系。 团队氛围开放、坦诚，聚焦于产品本身，鼓励任何人提出有价值的想法，并快速行动。每一次创新都 有机会快速获得最直接的市场反馈。 从想法到作品的全程主导： 将拥有充分的自主权，负责AI应用从0到1再到N的全过程，完整地实现 产品构思。 以上几点不是空话套话，是真实的环境。理想也不是所有部门都有这个氛围，是经过和负责人仔细确 认了，这个氛围是真的。 【急招高级AI产品经理-北京】 收到简历后合适会快速开启面试，邮箱： gaoruisheng@lixiang.com，有内推奖。 优势： 有市场竞争力的薪水。 职位描述： 3. 学习能力强，主动性高，能够主动洞察行业变化和前沿应用，具备灵活协调资源的能力和手段。 4. 逻辑清晰，能透过现象看本质，系统地思考与解决问题，能全局性的统筹协调复杂业务。 加微信，进群深度交流理想长期基本面。不是求职群，不是技术群，不是车友群。 4. 参与产品的全生命周期管理，包括需求分析、设计、开发、测试和上线等阶段。与项目、研发深度 合作，跟进项目进度，协调各方资源，确保项目高质量交付。 岗位要求： 1. ...

原作者：抖音用户上车行 原视频链接：https://v.douyin.com/cPpLIUJ5v2M/ 压缩版： 这是不是理想的大模型方向的座舱产品经理，认为理想座舱智能化水平是行业绝对的标杆。 包括但不限于MindGPT-40,Duplex全双工，理想同学的整体交互与体验细节，小同桌，任务大师，桌 面大师，agent助手，美观的思维链可视化表达。 认为小同桌绝不只是一个简单的闲聊对话。理想的任务大师可以非常精细化的去打通整车的各类软硬 件信号。 理想很多地方细节是尽可能短的去实现，友商会更容易要通过10秒20秒来实现。 文字版： 昨天理想正式开始推送了OTA8.0的版本，恰巧这两天其实我也在写内部的汇报材料，憋了好几天有 感而发一些东西，跟大家在开车的时候来去聊一下。 包括其实这个点我之前就出过一个视频单独去说过，像DeepSeek出来之后，各家车企争先恐后得去 宣布自己去接入DeepSeek，然后呢？你的座舱交互，你的语音交互依旧烂的跟一坨屎一样，你就是 简单去做了一个大模型的百科接入，基本上什么意义都没有。 所以再从另一个角度来说，如果我现在说的这些名词或者说这个产品功能大家并不是特别熟悉的话， 我觉得 ...

9月2日表示： 理想主动安全负责人杨杰25年9月16日表示： 最近一直在开FSD，因为开它只能盯着前面，可以有大把的时间欣赏它开的有多好，也有一些浅薄的 感受。 基础能力建设，是体验提升的基石。没有什么弯道超车。 对于开车这件事儿，就是三点： 1.看得足够远，能给自己更从容更长时间的规划。 2.猜得够准，结合道路环境和参与者的各种对外信息：灯光，甚至眼神。 3.控得够精细，无论是舒适度还是紧急避险，能做到一把到位。 时隔这么久，FSD一上手就还是感觉不一样。 同时，过去这么久了，一个能打的都没有 。 加微信，进群深度交流理想长期基本面。不是技术群，不是车友群。 ...

25年9月15日22:56理想第二产品线负责人张晓微博表示： 另外，此时此刻定购理想i8，预计交付时间已经排到了11月中旬，还在犹豫的朋友们，可以听听身边已提车车主的评价，尽快锁单锁定产能， 以便年内能开上心爱的理想i8。 应焦急等待交付的准车主朋友需求，跟大家同步一下目前理想i8 的交付进度。 截至今天晚上8点，我们已经有4653位理想i8的用户提到了爱车，再加上已经匹配好车辆待交付的用户，已匹配车辆的小订时间已经来到了7月 17日10时53分16秒。 当您的定单匹配车辆后，App里的定单页面会发生变化，会显示您的车辆已在运输中，交付专家会联系您约定具体的交付时间，并办理交付相 关的手续。 当然，在交付过程中也有一些特殊情况，有的用户的车辆已经到交付中心等待交付了，但车主由于某种原因选择暂时不提车（比如要改配、指 标有点问题、贷款有点问题），这些现车会根据所在城市就近按顺序匹配新定单，所以会偶尔出现比自己晚下订单但先提车的情况，但这种比例在全量 定单里只有不到1%…… 还未匹配车辆的用户，App里定单页面显示的预计交付时间是准确的，不会更晚但也很难提前。所有在8月12日及以前小订转大定的用户，我们 都会在十 ...

Core Viewpoint - The article discusses a recent experience related to the vehicle registration process for the MEGA Home model, highlighting the importance of understanding the differences between vehicle inspection exemptions and verification exemptions in the registration process [2][4]. Group 1: Vehicle Registration Process - The vehicle registration process involves two key procedures: inspection exemption and verification exemption, which are often confused due to their similar names [4]. - Inspection exemption means that the vehicle does not need to undergo on-site checks at the vehicle management office, such as lighting and emissions tests [4]. - Verification exemption indicates that the vehicle does not require checks of the chassis number or the three certificates during registration [4]. Group 2: Recent Developments - The MEGA model is currently undergoing the verification exemption process, which is a recent initiative by relevant authorities to facilitate vehicle registration [4]. - The verification exemption work at the Beijing factory, where the MEGA is produced, was completed in August, allowing for smoother registration for customers [5]. Group 3: Customer Experience - A customer initially faced challenges with the registration process due to a misunderstanding about the requirements, but ultimately received successful registration after confirming with local authorities [5][7]. - The article emphasizes the importance of customer diligence and communication with the company to avoid potential issues during the vehicle registration process [7].

25年9月11日字节跳动发布 Harnessing Uncertainty: Entropy-Modulated Policy Gradients for Long-Horizon LLM Agents 对理想的帮助之处在于，理想要做agent，大概率会参考的，一样会遇到类似 学习信号的强度（梯度 大小）与模型决策时的不确定性（熵）存在一种天生的、有害的耦合关系的问题 实际和人类学习挺像的，只要结果正确，就容易过渡强化其步骤正确性（类比销量高了，做啥都是对 的），遇到一个错误的路径，如果非常自信，容易不反思，无法矫正错误。迷茫探索时遇到错误，容 易畏手畏脚，不敢继续探索。 本应该被大力强化的自信且正确的步骤，只得到了微调 。本应该被严厉惩罚的自信且错误的步骤， 也只得到了微调 。而那些本应被谨慎对待的不确定的探索步骤，却承受了最剧烈的奖惩，导致训练 非常不稳定 。 字节这篇论文给出了解决这类问题的思路。 以下为更细化论述： 本质是在讲 解决一个当前LLM Agent训练中的核心困境：如何在最终结果"非成即败"（即稀疏奖励） 的漫长任务中，知道该奖励或惩罚哪一步决策 。 在传统的强化学习中，智能体（Agent） ...