蔚来NWM 3.0要重写智驾架构

蔚来将在11月25日发布NWM 3.0,升级模型架构、闭环训练与跨域融合。真正值得关注的不是版本号,而是世界模型能否统一行车、泊车和安全能力,并稳定部署到新旧车型。
蔚来确认:NWM 3.0将在11月25日亮相
蔚来今天确认,将在 11月25日举行的NIO IN 2026蔚来创新科技日上正式发布NWM 3.0世界模型,明确预告的升级方向包括模型架构、闭环训练和跨域融合。
这次预告的信息量不算大,却直接点出了蔚来下一阶段智能驾驶的三项核心任务:让模型看得更完整、在虚拟环境中练得更充分,并把原本分散在不同行车功能中的能力整合起来。换句话说,NWM 3.0不只是一次驾驶体验优化,更像是一次底层技术栈换代。(ithome.com)
NWM是NIO World Model的缩写,是蔚来面向智能辅助驾驶开发的多元自回归生成式世界模型。 它不只识别车辆、行人和车道线,还试图在模型内部重建道路环境、预测交通参与者接下来的行为,并据此生成车辆的规划或控制结果。
目前蔚来尚未公布NWM 3.0的模型规模、车端算力占用、运行频率、首批适配车型和实际推送时间。因此,11月21日能够确认的是技术方向,而不是最终量产效果。发布会真正需要回答的问题,也不是“世界模型”这个名字是否先进,而是三个升级方向如何转化为可验证的安全性、通行效率和控制体验。

世界模型不是更大的端到端模型
世界模型是一类能够学习环境状态、物理规律和行为后果,并在内部推演未来变化的AI模型。 如果说传统感知模型解决的是“现在看到了什么”,世界模型试图进一步解决“接下来可能发生什么”以及“采取不同动作会造成什么结果”。
传统模块化辅助驾驶通常由感知、预测、规划和控制等多个模块串联完成。它的优势是结构清晰、方便逐层验证,但信息在模块之间传递时会被压缩:感知模块可能识别出一辆电动车,却未必完整保留骑行者的身体姿态、视线方向和道路空间关系。
端到端模型减少了这些中间接口,可以直接从传感器输入生成轨迹或控制信号,但常规端到端系统仍可能偏向“看到类似场景后模仿人类怎么开”。世界模型则增加了一层内部推演:模型不仅学习动作,还要学习环境如何响应动作。
这一区别在长尾场景中尤其重要。面对前车突然减速、旁边车辆压线、路口行人犹豫横穿等复杂组合,单纯模仿历史驾驶数据容易找到一个“最像人类”的动作;世界模型的目标,则是在多个可能的未来中找到风险更低、效率更高的动作。
蔚来在2024年7月首次公布NWM时,给出的关键指标是:模型可以在 100毫秒内推演216种可能轨迹,还可基于3秒驾驶视频生成最长120秒的想象视频。这些数字证明了NWM的生成和长时序推演能力,但从研究演示走向量产系统,重点始终不是视频能生成多长,而是推演结果能否稳定改善真实驾驶决策。(ithome.com)
NWM两年走完了从发布到闭环训练
蔚来过去两年的推进路径很清晰:先建立世界模型,再把它部署到量产车,随后用闭环强化学习扩大模型的训练上限。
| 时间 | NWM关键进展 | 代表性数据 | 技术意义 | |---|---|---:|---| | 2024年7月 | 首次发布NWM | 100毫秒推演216种轨迹 | 建立空间理解与长时序预测框架 | | 2025年5月 | 首个量产版本开始推送 | 首批覆盖超过40万辆Banyan车型 | 世界模型从演示进入用户车辆 | | 2026年1月 | 新版本引入完整闭环强化学习 | 首批覆盖超过46万辆车,支持2000多座城区换电站 | 从模仿驾驶数据转向虚拟环境试错 | | 2026年11月 | 预告NWM 3.0 | 11月25日正式发布 | 架构、训练和能力边界同步升级 |
2025年5月的首次大规模推送,是NWM产品化的关键节点。蔚来当时将模型化能力用于城区领航、泊车和主动安全,并为首批超过40万辆Banyan车型推送更新。这意味着世界模型不再只是云端训练工具,而是开始直接影响量产车的判断与驾驶行为。(ithome.com)
2026年1月的更新,则把闭环强化学习带进了蔚来的智能驾驶研发体系。该版本首批覆盖超过46万辆Banyan车型,并新增城区领航换电功能,可连接全国超过2000座二代及以上城区换电站。(ithome.com)
城区领航换电看起来只是一个功能,实际却是很典型的跨场景闭环:车辆需要从公开道路驶入换电站,处理园区道路、闸机、车位定位和低速泊入,再与换电流程衔接。它同时涉及导航、行车、泊车、定位和车辆控制,比单纯完成一段城区道路领航更考验系统协同。
架构升级:可能不再只输出一条轨迹
模型架构是决定数据如何进入模型、模型如何推理以及最终输出什么结果的计算结构。 NWM 3.0把“模型架构”列为第一项升级,意味着蔚来可能会调整的不只是网络层数或参数量,而是智能驾驶系统内部的信息流和决策链路。
早期NWM的官方描述强调多源信息理解、场景生成、长时序推演和规划轨迹输出。行业后续对蔚来路线的概括,则逐渐转向“端到端直控”:模型减少规划轨迹与传统控制器之间的中间层,进一步直接生成方向、加速和制动等控制结果。
直控架构的优势是链路更短。传统系统即使规划出合理轨迹,控制模块也可能因为车辆动力学参数、道路坡度或低附着路面而执行得不够自然;如果模型能同时理解环境和车辆状态,理论上可以更统一地处理横向转向与纵向加减速。
但直控并不等于简单删除控制器。恰恰相反,它要求模型学习更多车辆动力学规律,也要求安全系统能够限制模型输出。一辆车在湿滑路面、满载状态和不同轮胎条件下,对同一个转向或制动指令的反应并不相同。模型越接近执行层,验证难度越高。
因此,NWM 3.0最值得关注的架构指标包括:
- 模型最终输出规划轨迹,还是直接输出车辆控制信号;
- 行车、泊车和主动安全是否共享同一个基础模型;
- 视觉、激光雷达、地图和车辆状态如何进入统一表征;
- 长时序记忆长度是否提升,模型能回看多久之前的场景;
- 神玑NX9031与既有Orin-X平台是否使用同一模型或不同蒸馏版本;
- 安全规则是融入模型训练,还是继续由独立安全模块兜底。
如果发布会只展示几个驾驶视频,却不解释这些问题,所谓“架构升级”仍会停留在营销层面。
闭环训练:让模型在虚拟世界里承担后果
闭环训练是一种让模型执行动作、观察环境反馈,并根据动作后果持续调整策略的训练方式。 它与监督学习最大的差别,是训练数据不再完全由人类提前给出标准答案。
监督学习更像看老司机录像:人类在某个场景中向左变道,模型便学习什么输入对应什么动作。闭环强化学习更像进入驾驶模拟器:模型选择变道后,环境会继续演化,后车可能减速,也可能加速封住空间;模型最终根据是否安全、是否舒适、是否违反规则获得反馈。
这种训练方式特别适合解决长尾问题。真实道路中的危险场景发生频率低,车企不可能为了收集数据,让测试车辆不断接近碰撞边缘。世界模型可以在虚拟环境中复制、修改和放大这些场景,让模型反复面对突然横穿、连续加塞、施工改道和视野遮挡。
但闭环训练的上限取决于模拟环境的真实性。如果世界模型错误预测了其他交通参与者的反应,强化学习就可能在错误规则中练出一套“虚拟世界很强、真实道路失效”的策略。这是典型的仿真到现实差距。
因此,NWM 3.0的重点不应只是训练轮数增加,而应是闭环是否真正完整:真实车辆数据能否自动发现问题、问题能否在仿真环境中复现、模型能否通过训练完成修正、修正后的版本能否经过安全评估重新上车。
闭环的价值,也不在于完全取消人工标注。高质量专家数据仍然适合定义安全边界、交通规则和舒适性标准,闭环强化学习则更适合扩大场景覆盖并寻找传统数据中没有出现过的解法。两者是互补关系,而不是简单替代。
跨域融合可能是3.0最大的变量
跨域融合是把原本由不同系统处理的数据、任务和控制目标放入统一模型或统一表征空间。 在智能汽车中,“域”可能指行车、泊车、主动安全、座舱、底盘控制,也可能指云端训练和车端推理。
蔚来目前没有解释NWM 3.0所说的跨域究竟覆盖哪些领域,因此不能直接把它理解为“一个模型控制整辆车”。但从既有产品路径看,至少有三种可能。
第一种是行车、泊车与主动安全融合。传统产品把领航辅助、自动泊车和AEB视为三套功能,模型可能在不同模式间切换。统一模型可以减少边界问题,例如车辆从城市道路驶入停车场时,不必经过明显的系统接管和状态切换。
第二种是决策与车辆控制融合。世界模型不仅判断应该走哪条路径,还结合转向、制动、悬架和动力系统状态执行动作。这样做可能让过弯、避障和狭窄道路通行更平顺,但也会把验证范围从智驾算法扩大到底盘和整车控制。
第三种是智能驾驶与座舱交互融合。模型可能理解乘员指令、驾驶员干预和外部道路环境,并将自然语言意图转化为驾驶目标。不过,除非蔚来在发布会上明确展示共享模型或共享表征,否则座舱与智驾同时使用AI,并不能算真正的跨域融合。
跨域融合真正有价值的标准,不是系统能控制多少功能,而是不同功能能否共享同一份环境理解。例如,主动安全系统已经识别出路边儿童存在横穿风险,这一风险信息应同时影响领航辅助的车速、路径选择和驾驶员提醒,而不是分别由三套系统重复判断。
世界模型已经成为智驾行业的路线分水岭
2026年的智能驾驶竞争已经从“有没有端到端”转向“如何构建物理世界模型”,但不同公司的世界模型并不是同一种产品。
| 路线 | 主要定位 | 代表思路 | 优势 | 主要挑战 | |---|---|---|---|---| | 蔚来NWM | 车端决策与控制系统 | 世界模型结合闭环强化学习 | 推演结果可直接改善驾驶体验 | 多平台部署和安全验证复杂 | | 小鹏VLA与世界模型 | 语义理解、行为推理与环境预测协同 | VLA理解指令和驾驶逻辑,世界模型预测环境 | 复杂规则和交互场景解释能力强 | 车端推理延迟与模型复杂度较高 | | 华为WEWA | 云端训练与车端安全决策协同 | 云端强化学习,车端风险建模 | 工程闭环和安全约束明确 | 体系庞大,依赖较强算力和数据基础设施 | | 特斯拉、Waymo式路线 | 数据生成、仿真和闭环测试 | 用世界模型构建训练环境 | 可大量生成极端场景 | 仿真能力不一定直接等于车端决策能力 |
这张表的关键不是判断谁的名字更先进,而是看世界模型被放在系统的哪个位置。蔚来的特点是尝试让世界模型更接近车辆的实时决策和执行层;另一些厂商则更重视世界模型在云端生成数据、重建场景和测试策略的能力。(eet-china.com)
蔚来路线的优点是产品效果容易被用户感知:变道是否果断、控速是否自然、窄路是否犹豫,都可以直接体验。缺点也同样明显,一旦模型直接参与车辆控制,每一次架构调整都需要面对大规模安全验证和车型适配。
最大难题不是训练,而是让新旧车型都能跑
NWM 3.0的工程压力来自蔚来庞大的存量车型。NWM此前已经覆盖Banyan榕、Cedar雪松等不同智能系统平台,硬件侧还横跨英伟达Orin-X和蔚来自研神玑NX9031。
同一个世界模型要运行在不同算力、内存带宽、传感器配置和车辆动力学条件下,通常需要剪枝、量化、蒸馏或拆分不同版本。旗舰平台能够运行的完整模型,未必能原样部署到数年前交付的车型上。
这也是NWM 3.0是否成功的关键判断标准:如果新架构只服务最新硬件,它可以更激进地扩大模型;如果蔚来希望继续覆盖大量存量车辆,就必须在模型能力和推理成本之间做取舍。
过去蔚来强调让四年前的车型也获得NWM更新,这对用户权益是好事,也构成了沉重的工程约束。支持旧车不是把安装包缩小那么简单,而是要重新完成性能测试、热管理评估、传感器适配和安全验证。(ithome.com)
NWM 3.0值得期待,但先别被版本号带着走
NWM 3.0的方向是对的:模型架构决定能力上限,闭环训练决定进化速度,跨域融合决定系统能否从单项功能升级为统一智能体。三者组合起来,确实比单纯增加几个辅助驾驶功能更重要。
但世界模型的竞争最终不看发布会上的生成视频,而看真实道路中的失败率。一个模型可以生成逼真的未来画面,并不意味着它能在遮挡路口准确判断行人;可以在仿真中完成上亿次训练,也不意味着它不会学到利用模拟器漏洞的错误策略。
11月25日的发布会上,最值得关注的不是蔚来是否再次强调“行业首个”,而是以下四个答案:NWM 3.0究竟统一了哪些任务、闭环训练如何评估安全、跨域融合覆盖哪些车辆系统,以及首批车型何时获得更新。
如果蔚来能够给出明确的模型结构、量产范围和真实道路指标,NWM 3.0会成为国内车端世界模型的一次重要迭代;如果只有概念演示和主观体验描述,它就更像一次世界模型术语热潮中的常规升级。
至少从今天披露的信息看,蔚来已经不满足于让世界模型“预测未来”,而是希望它成为连接感知、决策、控制与训练闭环的统一底座。这条路线技术风险更高,却也更接近物理世界AI真正有价值的形态。
参考来源
- IT之家:蔚来官宣NWM 3.0世界模型,11月25日在NIO IN 2026发布——NWM 3.0发布时间及三项官方升级方向。
- IT之家:NWM首个版本开始向Banyan车型全量推送——NWM早期技术参数与2025年量产推送信息。
- IT之家:蔚来世界模型NWM首批覆盖超过40万辆车——首个量产版本、主动安全能力与覆盖车型信息。
- IT之家:NWM新版本覆盖超过46万辆车并支持城区领航换电——闭环强化学习与2000多座换电站数据。
- 知乎:都在喊世界模型,各家技术有何侧重?——蔚来、小鹏、华为、特斯拉与Waymo路线差异分析。



