吉利银河M9边缘多模态大模型：ModelBest座舱感知融合量产分析

吉利银河M9边缘多模态大模型：ModelBest座舱感知融合量产分析

发布信息

项目 内容
来源 Gasgoo 4th AI-Defined Car Forum, 2026年9月18日, Munich
演讲 刘晓飞, 赛力斯科技数字能源部副主管
量产车型 吉利银河M9 (智能座舱平台)
合作方 ModelBest (面壁智能) × Geely
链接 https://autonews.gasgoo.com/articles/news/no-longer-fighting-alone-new-energy-vehicles-enter-the-era-of-cross-domain-fusion-intelligent-agents-2101154864939069441

核心发现

吉利银河M9已量产部署ModelBest边缘多模态大模型，实现座舱内外多模态感知融合。这标志着中国车企从”软件定义”向”AI定义”架构转型，边缘侧多模态LLM在车内的首次规模化落地。

行业背景：从软件定义到AI定义

架构演进路径

graph LR
    A[分布式ECU<br/>2015-2020] --> B[域控制器<br/>2020-2024]
    B --> C[中央计算+区域控制<br/>2024-2026]
    C --> D[AI定义车辆<br/>2026-2028]
    D --> E[跨域融合智能体<br/>2028+]
    
    style A fill:#f9f9f9
    style B fill:#e3f2fd
    style C fill:#bbdefb
    style D fill:#90caf9
    style E fill:#64b5f6

各阶段特征

阶段 特征 代表 软件迭代
分布式ECU 单功能模块 传统燃油车 不可更新
域控制器 功能域集成 2020-2024车型 OTA有限
中央计算 计算资源共享 赛力斯魔方2.0 OTA完整
AI定义 主动感知决策 吉利银河M9 持续进化
跨域融合 座舱-驾驶-底盘协同 未来 自适应

量产方案详解

1. ModelBest边缘多模态大模型

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
class ModelBestEdgeLLM:
    """
    ModelBest × Geely 边缘多模态大模型
    
    部署在银河M9智能座舱平台
    特点: 多模态感知融合,座舱内外
    
    模型规格(推测):
        - 参数量: 0.5B-7B (根据车型配置)
        - 量化: INT4/INT8
        - 硬件: 车规级SoC
        - 延迟: <200ms (语音交互)
    """
    
    def __init__(self):
        self.model_sizes = ["0.5B", "1.5B", "3B", "7B"]
        self.modalities = {
            "视觉": ["摄像头(座舱内)", "摄像头(车外)"],
            "语音": ["多麦克风阵列", "方言识别"],
            "触觉": ["方向盘传感器", "座椅传感器"],
            "车辆状态": ["CAN总线", "ADAS状态"]
        }
        
    def multimodal_perception(self):
        """多模态感知融合"""
        return {
            "in_cabin": {
                "driver_state": "DMS(疲劳/分心/情绪)",
                "occupant_state": "OMS(姿态/位置)",
                "voice_command": "NLU+ASR",
                "gesture": "手势识别",
                "environment": "温度/湿度/空气质量"
            },
            "out_cabin": {
                "driving_scene": "ADAS场景理解",
                "traffic": "交通状态",
                "weather": "天气影响",
                "navigation": "路径规划"
            },
            "fusion": "内外联合理解+主动服务"
        }

2. 赛力斯魔方2.0平台架构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
class SeresMagicCube2:
    """
    赛力斯魔方2.0 AI驱动智能电动平台
    
    架构: 中央计算 + 区域控制
    量产: AITO M9
    """
    
    def __init__(self):
        self.architecture = {
            "central_compute": {
                "chip": "中央计算SoC",
                "computing_power_TOPS": 650,  # 地平线征程6
                "process_nm": 5,
                "domains": ["智能驾驶", "智能座舱", "底盘控制"]
            },
            "zonal_control": {
                "ecus_reduced_pct": 50,    # ECU减少>50%
                "wire_harness_km": 3.5,    # 线束减少>3.5km
                "weight_reduction_kg": 25,  # 减重25-30kg
                "cost_reduction_pct": 30   # 成本降低<30%
            },
            "software": {
                "layers": ["设备抽象层", "原子服务层", "复合服务层", "应用层"],
                "architecture": "AI原生",
                "iteration": "OTA持续进化"
            }
        }

3. 竞品对比：边缘多模态大模型

方案 合作方 量产车型 参数量 座舱+驾驶融合
ModelBest × Geely ModelBest 银河M9 0.5-7B ✅
iFlytek Spark iFlytek 多家车企 0.5-7B ⚠️ 座舱为主
Horizon Starry Sky 地平线 2026+ 5nm, 650TOPS ✅ 单芯片
Desay SV × Chery Desay SV 奇瑞星途T7 — ✅ 量产

4. 地平线征程6芯片

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
class HorizonJourney6:
    """
    地平线征程6 (Starry Sky)
    
    2026年4月发布
    5nm车载工艺
    650 TOPS BPU算力
    
    支持: 智能驾驶大模型 + 座舱AI大模型 单芯片部署
    """
    
    def __init__(self):
        self.process_nm = 5
        self.tops = 650
        self.bpu = "BPU (Brain Processing Unit)"
        self.supports = [
            "智能驾驶大模型",
            "座舱数字AI大模型",
            "高级驾驶辅助大模型"
        ]
        self.single_chip_fusion = True  # 单芯片支持座舱+驾驶

对IMS的影响

1. 座舱感知融合升级路径

当前IMS AI定义阶段 变化
DMS单独运行 DMS+OMS+ADAS联合 融合感知
规则决策 LLM辅助决策 语义理解
固定功能 OTA扩展 持续进化
单模态 多模态融合 视觉+语音+触觉

2. 边缘LLM在DMS中的应用

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
class EdgeLLMDMS:
    """
    边缘多模态LLM在DMS中的应用
    
    传统DMS: 规则+分类器
    LLM-DMS: 语义理解+上下文推理+主动服务
    """
    
    def traditional_dms(self, camera_data):
        """传统DMS: 规则决策"""
        if camera_data["perclos"] > 0.15:
            return "疲劳警告"
        elif camera_data["gaze_off_road"] > 3:
            return "分心警告"
        return "正常"
    
    def llm_dms(self, camera_data, voice_data, vehicle_state):
        """LLM-DMS: 多模态语义推理"""
        context = f"""
        驾驶员状态:
        - PERCLOS: {camera_data['perclos']:.2f}
        - 视线偏离: {camera_data['gaze_off_road']:.1f}s
        - 头部姿态: {camera_data['head_pose']}
        - 语音情绪: {voice_data['emotion']}
        - 驾驶时长: {vehicle_state['drive_hours']:.1f}h
        - 路况: {vehicle_state['road_type']}
        - 天气: {vehicle_state['weather']}
        
        请评估驾驶员状态并给出建议。
        """
        
        llm_response = {
            "assessment": "驾驶员出现早期疲劳迹象",
            "evidence": "PERCLOS偏高(0.18) + 连续驾驶4.2小时 + 语音语调低沉",
            "recommendation": "建议休息,推荐前方20km服务区",
            "alert_level": "WARNING",
            "adaptive_action": "空调调低2°C, 播放提神音乐"
        }
        return llm_response

3. 中国车企智能化竞争格局

graph TB
    subgraph 中央计算阵营
        A[赛力斯 魔方2.0] --> B[AITO M9]
        C[吉利 银河M9] --> D[ModelBest LLM]
        E[奇瑞 星途T7] --> F[Desay SV 融合]
    end
    
    subgraph 芯片平台
        G[地平线 征程6 650TOPS]
        H[Qualcomm 8295/8255]
        I[NVIDIA Thor]
    end
    
    subgraph 大模型合作
        J[ModelBest 面壁智能]
        K[iFlytek 科大讯飞]
        L[Alibaba 通义]
    end
    
    D --> J
    D --> H
    A --> G
    E --> F
    F --> G

IMS开发启示

1. 从”功能”到”智能体”转型

维度 功能阶段(当前) 智能体阶段(目标)
决策方式 阈值规则 上下文推理
数据输入 单模态 多模态融合
输出 固定警报 个性化建议
迭代 OTA固件 LLM权重更新
用户体验 被动响应 主动服务

2. 多模态LLM融合架构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
class IMSMultimodalArchitecture:
    """
    IMS多模态LLM融合架构建议
    
    基于吉利银河M9量产方案启发
    """
    
    def __init__(self):
        # 传感器层
        self.sensors = {
            "vision": "座舱摄像头 (DMS/OMS)",
            "audio": "麦克风阵列 (语音+情绪)",
            "radar": "60GHz mmWave (CPD/生命体征)",
            "vehicle": "CAN总线 (驾驶状态)"
        }
        
        # 特征提取层
        self.feature_extractors = {
            "vision": "YOLO26-N + 关键点检测",
            "audio": "Whisper边缘ASR + 情绪分类",
            "radar": "FFT + 微多普勒分类",
            "vehicle": "CAN信号解析"
        }
        
        # LLM推理层
        self.llm = {
            "model": "0.5-3B参数边缘模型",
            "quantization": "INT4",
            "latency_target_ms": 200,
            "context_window": 4096
        }
        
        # 输出层
        self.outputs = {
            "driver_alert": "分级警报(信息/警告/紧急)",
            "adaptive_action": "自适应动作(空调/音乐/HUD)",
            "service_recommendation": "服务推荐(休息/加油站/医院)",
            "data_record": "事件记录(用于持续学习)"
        }

3. 实施时间线

阶段 时间 目标 依赖
评估 2026 Q4 原型验证 ModelBest/讯飞SDK
集成 2027 Q1 座舱融合 硬件平台确定
测试 2027 Q2 车内验证 测试车辆
量产 2027 Q3 车型搭载 车规认证

结论

吉利银河M9的量产标志着中国汽车智能化从”功能集成”进入”AI定义”阶段。ModelBest边缘多模态大模型的车内部署证明：

  1. 边缘LLM在车内可行 — 0.5-7B参数模型已可在车规级硬件上运行
  2. 多模态融合是趋势 — 不再是DMS/OMS/ADAS各自独立
  3. 中国方案竞争力强 — 地平线征程6 + ModelBest + 吉利 = 完整生态
  4. 持续进化是关键 — 出厂不是终点,而是起点

对IMS而言,需要从”规则+分类器”向”多模态LLM推理”转型,这正是行业窗口期。

来源: Gasgoo AI-Defined Car Forum, 2026年9月18日, Munich

IMS > 边缘AI > 座舱融合 > 量产分析
#Geely #Galaxy-M9 #ModelBest #edge-LLM #multimodal #cross-domain #cockpit-fusion
吉利银河M9边缘多模态大模型：ModelBest座舱感知融合量产分析
https://dapalm.com/2026/09/30/2026-09-30-08-geely-galaxy-m9-edge-multimodal-llm-modelbest-ims/
作者
Mars
发布于
2026年9月30日
许可协议