在这次AI Talk里，李想大大方方地承认，在将传统端到端方案的视觉-动作模型VA改造为视觉-语言-动作模型VLA的过程中，理想汽车在语言模型上选择了DeepSeek开源的语言模型。
DeepSeek-VL2大致包含视觉编码器、视觉语言适配器和语言模型三个部分。但理想VLA在预训练阶段并没有完全照搬DeepSeek-VL2，而是在其视觉编码器部分增加了3D模态数据，在视觉语言适配器部分增加了3D图文联合数据，并在语言Token中增加驾驶知识数据，其语言模型则照搬了DeepSeek-VL2里的语言模型。
立志在数字AI领域杀入前三的理想汽车之所以使用DeepSeek的成果，一则是因为DeepSeek模型的能力实在很强悍，二则是因为人家选择了比较彻底的开源方式，可以帮助抠厂省钱。
根据理想的官方消息，它早在一年前就开始追踪DeepSeek的进展，并在2024年7月份使用了DeepSeek-VL做产线质检。
这次又将去年12月份开源的DeepSeek-VL2用在了自己的VLA模型里面，据称可以节省9个月的研发时间，省下好几个小目标的钱！ 新能源大牛说
