logo

吉利星睿大模型解析:架构、上车与开发者指南

作者:沙与沫2026.11.17 03:37浏览量:0

简介:本文从架构、时间线、交互、开发示例和成本五个方面解析吉利星睿大模型,帮助开发者理解端云协同、车控Function Call、蒸馏训练与上车条件,并给出安全边界、参数校验、Token成本估算和选型建议,同时提示车型、算力与权限差异带来的适配成本。

先给结论:星睿大模型是什么

吉利星睿大模型是吉利汽车面向智能汽车场景构建的车载AI大模型。据吉利官方介绍/公开资料显示,该模型于2023年立项,2024年1月11日随星睿AI技术体系正式发布,研发与落地主体为吉利汽车及其相关技术团队。它不是单纯的语音助手,而是面向座舱Agent、车辆控制和主动服务的一整套端云协同系统。

按运行链路看,星睿可以概括为“三层闭环 + 数据底座”:云端认知模型负责复杂语义理解、多步推理和知识问答;车控Function Call模型负责把自然语言转化为车辆接口调用;端侧模型负责低时延唤醒、免唤醒交互、离线兜底和隐私数据本地处理。数据底座则包含世界模型、AI-Drive等能力,主要用于训练、仿真与长尾场景补全。

几个关键指标需要注意口径:

  • 约2000个可调用接口:据吉利官方介绍/公开资料显示,覆盖动力、底盘、车身、座舱、导航、娱乐、能耗管理等多个域。具体开放范围会因车型、软件版本、权限策略和OTA条件而不同,最终以吉利官方披露为准。
  • 23.5 EFLOPS:据吉利官方介绍/公开资料显示,星睿智算中心算力规模约为23.5 EFLOPS。该表述通常指智算中心总算力或等效算力口径,并非单车端侧可用算力;不同精度、统计范围以及是否包含训练与推理资源,都会影响可比性,引用时应以官方披露为准。
  • 4+级:据公开报道/官方评估信息,2024年7月,星睿通过中国信通院可信AI汽车大模型相关评估,获得较高等级评价。具体评估范围、测试样本和结论,建议以官方发布材料为准。

这些指标说明,星睿的核心不是单一模型参数竞赛,而是围绕“云端推理、车控执行、端侧兜底、数据闭环”展开的系统工程。

技术架构拆解:三层闭环 + 数据底座

1. 云端认知层:补足理解与推理能力

星睿的云端认知层重点解决复杂意图理解问题。据吉利官方介绍/公开资料显示,2025年2月6日,吉利宣布星睿大模型与DeepSeek-R1完成深度融合,核心目标是增强认知、推理和多轮对话能力。

座舱场景里,很多用户表达并不是标准指令。例如用户说“有点冷”,模型不能只识别“冷”这个字,还要判断是前排冷、后排冷,还是全车温度偏高;是否需要同时关闭车窗;当前是否处于快速行驶、充电、空调自动等状态。这类任务需要从单句识别升级为多步推理。

云端认知层通常承担这些能力:模糊表达理解、上下文补全、复杂任务拆解、知识问答、跨域服务编排。它不直接下发车辆执行指令,而是先生成意图、槽位和建议动作。

2. 车控执行层:Function Call把语言变成动作

车控执行层是星睿从“能聊”走向“能干活”的关键。据吉利官方介绍/公开资料显示,星睿在融合后启动车控Function Call大模型的蒸馏训练,把云端大模型的意图理解与参数填充能力压缩到更适合上车运行的形式,并对接约2000个车辆接口。具体接口数量、开放车型和权限层级,以吉利官方披露为准。

这些接口大致可以分为几类:

  • 状态读取类:电量、油量、胎压、车门、车窗、空调状态等;
  • 舒适控制类:空调温度、风量、座椅加热、方向盘加热、氛围灯等;
  • 座舱娱乐类:音乐、视频、导航、壁纸、语音播报等;
  • 车辆设置类:驾驶模式、充电设置、能量回收、后视镜折叠等;
  • 高权限安全类:与制动、转向、动力输出、车门解锁等强相关的控制。

从工程角度看,并不是所有接口都应该被大模型直接调用。通常要区分权限等级:只读接口可低权限调用;舒适类接口需要参数校验;涉及安全域的指令应走独立权限通道,大模型只负责识别和推荐,不直接执行。

需要特别强调:制动、转向、动力输出、车门解锁等指令禁止由大模型直接执行,必须经整车安全网关、权限校验和驾驶状态确认。

3. 端侧交互层:低时延、离线兜底与隐私保护

端侧交互层主要通过蒸馏后的主动交互端侧模型实现。它负责唤醒词识别、免唤醒对话、短指令响应、离线基础控制和隐私敏感信息处理。

端侧模型的价值不在于参数规模最大,而在于三个特性:

  • 低时延:用户说“打开空调”,不需要等待云端往返;
  • 离线可用:地库、隧道、弱网环境下仍能完成基础控制;
  • 隐私可控:车内敏感数据可以优先在本地处理,减少上传。

在工程落地时,端侧能力通常建议参考以下指标区间,具体以车型实车测试为准:唤醒率建议达到95%以上;安静环境ASR字错率可控制在5%以内,高噪声环境可放宽至15%左右;端侧短指令端到端时延最好控制在1秒级;离线基础车控可用率建议达到99%以上。实际量产还要看麦克风阵列、算力、车型电子电气架构和OTA策略。

因此,星睿的端云分工不是简单替代关系,而是云端负责复杂推理,端侧负责快速响应和兜底。对座舱Agent来说,这种混合架构比单纯堆云端大模型更接近量产落地。

4. 数据生成底座:世界模型与AI-Drive的边界

星睿技术体系中还包含虚实融合的“世界模型”。它主要用于生成复杂驾驶工况、仿真环境和训练数据,帮助提升智驾训练效率,降低长尾场景路采成本。

这里需要区分两个概念:

  • 世界模型:偏向生成物理世界的工况、场景和数据,服务智驾数据闭环;
  • AI-Drive:更偏向场景生成、任务规划和驾驶决策能力,服务智驾算法训练与验证。

两者并不是座舱交互层的直接执行组件。座舱侧更多复用大模型的理解、生成和服务编排能力;智驾侧则使用世界模型和AI-Drive来补数据、补场景、补长尾。这样理解后,星睿的架构会更清晰:座舱交互是面向用户的三层闭环,数据生成和智驾训练是背后的支撑底座。

关键时间线:以可核验信息为准

时间 事件 来源/核验状态
2021年底 启动星睿智算中心建设 据吉利官方发布/公开资料,具体链接以吉利官方渠道为准
2023年1月28日 星睿智算中心正式上线 据吉利官方发布/公开资料,具体链接以吉利官方渠道为准
2024年1月11日 星睿AI大模型正式发布 据吉利官方发布/公开资料,具体链接以吉利官方渠道为准
2024年7月 通过中国信通院可信AI汽车大模型相关评估,获得4+级 据公开报道/评估信息,最终以官方披露为准
2025年2月6日 与DeepSeek-R1深度融合,启动车控Function Call和端侧主动交互蒸馏训练 据吉利官方发布/公开资料,具体链接以吉利官方渠道为准
2025年 联合生态伙伴推进智能汽车算力联盟及星睿智算中心2.0 据媒体报道,待官方确认
2026年1月7日 集成星睿AI大模型的Fly Me Auto 2.0上车银河V900,并搭载星睿AI云动力2.0 据媒体报道,待官方确认
2026年4月 吉利银河M7上市,座舱依托星睿实现全场景AI对话 据媒体报道,待官方确认

这条时间线表明,星睿并不是单点模型发布,而是“算力中心—大模型—车控接口—车型上车”逐步推进的结果。涉及具体日期、车型和评估结果时,建议读者以吉利官方发布、官方用户手册或车型OTA说明为准。

智能交互能力:从指令执行到主动服务

雨天、低温、长途场景如何主动提示?

星睿的交互设计强调环境主动分析。模型会结合天气、路况、时间、车辆状态等外部信息,主动提示潜在需求。例如雨天提醒雨刷使用,低温提醒座椅加热,长途驾驶提醒服务区或充电点。

这类能力的关键不是“模型会不会说”,而是“提醒是否克制、是否可关闭、是否基于安全策略”。如果主动服务过于频繁,会打扰用户;如果提示不够及时,又会失去价值。因此,量产系统通常需要结合驾驶状态、乘员状态、用户偏好和噪声环境进行分级提示。

驾驶安全干预边界是什么?

在特定工况下,系统可以主动给出风险提示或制动建议。但涉及安全控制时,大模型不应直接接管执行,而应作为风险提示和意图识别模块,与车辆安全系统协同。

例如,模型可以提醒“当前车速较高,建议降低空调温度以保持清醒”,但不应在未经过权限校验的情况下直接控制制动、转向或动力系统。座舱AI可以辅助决策,但不能替代车辆安全控制链路。

全场景服务覆盖什么?

星睿不仅支持车辆控制,还支持语音对话、导航、售后预约、娱乐内容等服务。吉利官方介绍/公开资料显示,其支持四川话、粤语等方言识别,并具备中英交互能力。具体支持的方言范围、语种、功能版本和车型能力,应以实际车型OTA和官方说明为准。

据吉利官方介绍/公开资料显示,星睿相关能力已应用于吉利银河E8、银河E5等车型,并进一步延伸到Fly Me Auto 2.0、银河V900、银河M7等新车型。对于尚未明确开放的功能,建议以用户车辆实际OTA推送、官方App提示或售后说明为准。

从工程角度看,方言与多语言通常靠两条路径实现:

  1. ASR侧多方言声学模型:决定“听不听得懂”;
  2. 语义层归一化:把不同表达映射到统一意图和槽位,决定“懂了之后能不能调用正确接口”。

评估这类能力时,不能只看演示效果,还应关注几个指标:唤醒率、ASR字错率、意图识别准确率、Function Call参数准确率、端到端时延、离线可用率、反问澄清成功率。

已落地的AI原生应用

基于星睿大模型,吉利推出并上车了一批AI原生应用,包括Wow壁纸、AI绘本、AI语音、AI音乐律动、AI回忆、AI时光引擎等。

这些应用的共同特点是:它们不是传统菜单里的一个开关,而是把大模型生成能力转化为内容型功能。例如:

  • AI绘本:根据用户描述生成儿童故事画面;
  • AI回忆:把出行照片、轨迹和时间生成叙事内容;
  • AI音乐律动:根据驾驶状态和音乐节奏调整座舱氛围;
  • Wow壁纸:根据天气、时间、场景生成动态视觉内容。

这类功能说明,座舱大模型的价值不只是“语音控制”,还包括内容生成、情绪陪伴和场景化服务。

开发者视角:如何复刻“座舱大模型 + Function Call”

座舱Agent的核心链路通常是:

意图识别 → 槽位抽取 → 工具选择 → 参数校验 → 执行与兜底

下面给出一个最小依赖说明和简化示例。示例用于说明协议、参数校验、日志和兜底逻辑,实际项目中需要接入车控中间件、安全权限系统和真实车型接口。

最小可运行依赖说明

  • Python 3.10+;
  • OpenAI兼容SDK,仅用于演示大模型协议;
  • 一个可供调用的模型网关地址;
  • 桩函数 set_climate,生产环境替换为车控服务;
  • 日志模块用于记录异常和调用链路。
  1. # 依赖:python>=3.10, openai>=1.0
  2. import json
  3. import logging
  4. from openai import OpenAI
  5. logging.basicConfig(level=logging.INFO)
  6. logger = logging.getLogger("cockpit-agent")
  7. # 示例初始化:生产环境建议通过配置中心注入,不要把密钥硬编码
  8. client = OpenAI(
  9. api_key="YOUR_API_KEY",
  10. base_url="https://your-llm-gateway/v1"
  11. )
  12. def set_climate(zone: str, temperature: float, request_id: str) -> dict:
  13. """
  14. 桩函数:生产环境替换为车控中间件调用。
  15. 要求:
  16. 1. 权限校验;
  17. 2. 参数边界二次校验;
  18. 3. 驾驶状态确认;
  19. 4. 幂等键,避免网络重试导致重复执行。
  20. """
  21. if zone not in {"driver", "passenger", "rear", "all"}:
  22. raise ValueError("zone invalid")
  23. if not (16 <= temperature <= 32):
  24. raise ValueError("temperature invalid")
  25. logger.info(
  26. "set_climate request_id=%s zone=%s temperature=%s",
  27. request_id, zone, temperature
  28. )
  29. return {"ok": True, "request_id": request_id}
  30. tools = [
  31. {
  32. "type": "function",
  33. "function": {
  34. "name": "set_climate",
  35. "description": "设置空调温度,用户表达冷、热、闷等体感时优先调用",
  36. "parameters": {
  37. "type": "object",
  38. "properties": {
  39. "zone": {
  40. "type": "string",
  41. "enum": ["driver", "passenger", "rear", "all"]
  42. },
  43. "temperature": {
  44. "type": "number",
  45. "minimum": 16,
  46. "maximum": 32
  47. }
  48. },
  49. "required": ["zone", "temperature"]
  50. }
  51. }
  52. }
  53. ]
  54. messages = [
  55. {
  56. "role": "system",
  57. "content": "你是车载助手。只通过工具控制车辆,无法确认意图时必须反问一句。"
  58. },
  59. {
  60. "role": "user",
  61. "content": "后排有点冷"
  62. }
  63. ]
  64. reply = "抱歉,我没太理解,您可以换一种说法吗?"
  65. try:
  66. # 第一步:模型返回可能的工具调用
  67. response = client.chat.completions.create(
  68. model="cockpit-agent-model",
  69. messages=messages,
  70. tools=tools,
  71. tool_choice="auto",
  72. timeout=3
  73. )
  74. msg = response.choices[0].message
  75. # 第二步:解析 tool_calls
  76. # 当前示例只处理首个 tool_calls;生产环境需支持多工具调用、排序、去重和权限失败分支。
  77. if getattr(msg, "tool_calls", None):
  78. call = msg.tool_calls[0]
  79. request_id = getattr(call, "id", None) or "mock-request-id"
  80. # 第三步:解析模型输出参数
  81. args = json.loads(call.function.arguments or "{}")
  82. # 第四步:参数校验,不能信任模型输出
  83. zone = args.get("zone")
  84. temperature = args.get("temperature")
  85. if zone not in {"driver", "passenger", "rear", "all"}:
  86. raise ValueError("zone invalid")
  87. if temperature is None or not (16 <= float(temperature) <= 32):
  88. raise ValueError("temperature invalid")
  89. # 第五步:调用真实车控服务桩函数
  90. set_climate(
  91. zone=zone,
  92. temperature=float(temperature),
  93. request_id=request_id
  94. )
  95. reply = "好的,已为您调好空调。"
  96. elif msg.content:
  97. # 没有工具调用时,返回自然语言回复
  98. reply = msg.content
  99. except json.JSONDecodeError:
  100. # 模型返回的 JSON 参数无法解析
  101. logger.exception("arguments json decode error")
  102. reply = "没太听清,您想调节前排、后排还是全车?"
  103. except Exception:
  104. # 超时、权限失败、网关异常、参数非法等统一兜底
  105. logger.exception("function call failed")
  106. reply = "暂时无法执行,您可以稍后重试或手动操作。"
  107. print(reply)

生产环境还需要额外补充:

  • 超时与重试:云端请求、车控请求分别设置超时,避免单点阻塞。
  • 权限失败分支:高权限接口未通过时,应明确提示“当前条件不支持该操作”。
  • 多工具调用:复杂任务可能同时涉及空调、车窗、音乐,需要批量解析。
  • 幂等设计:网络重试时,应使用请求ID或参数哈希避免重复执行。
  • 审计日志:记录用户意图、模型调用、参数校验结果、执行结果和错误码。

选型与成本:蒸馏、端云协同与Token计费

星睿的路径给了一个很实用的参考:云端大模型负责复杂推理,蒸馏后的小模型负责高频车控与端侧交互。这样能避免每个高频请求都消耗旗舰模型Token。

云端Token成本可以粗略表示为:

  1. 月成本 ≈ Σ(
  2. 请求类型i的月调用量 × 计费输入Token × 输入单价
  3. + 请求类型i的月调用量 × 计费输出Token × 输出单价
  4. )

其中:

  1. 计费输入Token = 原始输入Token × (1 - 前缀缓存命中率)

假设某车型座舱大模型月调用量如下:

  • 高频车控请求:60万次/月,平均输入600 Token,输出80 Token;
  • 复杂推理请求:10万次/月,平均输入1500 Token,输出250 Token;
  • 系统提示词前缀缓存命中率:50%。

则高频请求计费输入Token为:

  1. 60万 × 600 × 50% = 1.8亿 Token

高频请求输出Token为:

  1. 60万 × 80 = 4800万 Token

复杂请求输入Token为:

  1. 10万 × 1500 = 1.5亿 Token

复杂请求输出Token为:

  1. 10万 × 250 = 2500万 Token

合计:

  1. 输入Token = 1.8亿 + 1.5亿 = 3.3亿
  2. 输出Token = 4800万 + 2500万 = 7300万

如果输入单价为P_in元/千Token,输出单价为P_out元/千Token,则月成本约为:

  1. 330000 × P_in + 73000 × P_out

为方便理解,可以代入一组示例单价:

  • 若输入0.8元/千Token,输出3元/千Token:
    330000 × 0.8 + 73000 × 3 = 26.4万 + 21.9万 = 48.3万元/月
  • 若输入2元/千Token,输出6元/千Token:
    330000 × 2 + 73000 × 6 = 66万 + 43.8万 = 109.8万元/月
  • 若输入5元/千Token,输出10元/千Token:
    330000 × 5 + 73000 × 10 = 165万 + 73万 = 238万元/月

由此可见,同一套调用量下,月成本可能从约48万元到238万元不等。座舱大模型降本的关键不是只换模型,而是优化请求结构:

  • 高频指令走小模型或规则;
  • 稳定系统提示词做前缀缓存;
  • 控制对话历史长度;
  • 对非实时任务做批处理;
  • 通过统一接入层管理多个模型,便于调用量监控和供应商切换。

常见疑问

星睿大模型等于DeepSeek-R1吗?

不是。星睿是吉利车载AI体系,DeepSeek-R1被深度融合到星睿的云端认知与推理能力中,但星睿还包括车控Function Call、端侧交互、数据生成和车型落地能力。

星睿大模型支持哪些车型?

据吉利官方介绍/公开资料显示,星睿相关能力已应用于吉利银河E8、银河E5等车型,并随Fly Me Auto 2.0及新车型逐步扩展。具体车型、功能版本和开放时间,建议以吉利官方发布、用户手册或OTA说明为准;部分媒体报道中的车型信息仍待官方确认。

星睿大模型是否收费?

是否收费、是否包含在车机权益包中、是否提供试用,需以吉利官方、用户App或车辆功能页面为准。不同车型、不同功能模块可能存在不同策略。

方言支持范围有多大?

吉利官方介绍/公开资料显示,星睿支持四川话、粤语等方言识别,并具备中英交互能力。实际方言范围、语种、识别准确率和可用功能,会因车型、麦克风硬件、ASR版本和OTA条件不同而存在差异。

端侧模型能完全替代云端模型吗?

不能完全替代。端侧适合低时延、离线、隐私和基础控制;复杂推理、开放问答、长链路服务编排仍需要云端能力。

端侧离线能力边界在哪里?

端侧更适合执行高频、确定性、低风险的基础任务,例如唤醒、空调开关、音量调节、车窗控制、基础导航入口等。涉及复杂语义、开放知识问答、跨域服务、在线内容生成和高权限安全控制时,通常需要云端或整车安全系统协同。

开发者复刻座舱Agent,最难的是什么?

最难的不是生成一个Function Call示例,而是安全权限、参数校验、车控接口适配、异常兜底和跨车型一致性。模型只是链路的一环,真正量产还要解决权限、幂等、日志、监控和OTA兼容。

小结

星睿大模型的价值不只在参数规模,而在于它把“认知推理—车控执行—端侧交互—数据生成”串成了一条闭环链路:DeepSeek-R1补认知,Function Call模型接车辆接口,端侧蒸馏保时延与可用性,世界模型和AI-Drive反哺智驾数据。

对开发者来说,座舱AI的竞争点已经从“能不能对话”转向“意图到接口的准确率、时延和单次调用成本”。真正可落地的方案,不是让大模型直接控制车辆,而是建立一套可控、可校验、可兜底的Agent链路:模型负责理解,业务负责执行,安全负责兜底,数据负责进化。

发表评论

活动