理想汽车12篇论文入选全球五大AI顶会

2025年三季度以来，理想汽车基座模型团队在国际顶级AI学术会议上取得重大突破，共有12篇高质量研究论文入选AAAI、NeurIPS、EMNLP、ACM MM、ICCV五大顶会。

这12篇论文覆盖了语言理解、安全评估、类脑智能规划等关键方向。这标志着理想汽车正从传统车企向AI科技公司转型，通过深度布局人工智能基础研究，为智能汽车的下一代技术革新奠定基础。

01AAAI 2026：大模型的跨历法时间推理、复杂指令遵循与3D场景重建

人工智能国际会议（AAAI）是国际人工智能领域的顶级学术会议，今年录用率仅17.6%，竞争程度远超往年，而理想汽车基座团队的3篇论文成功入选。

在大模型时间推理方面，理想汽车基座模型团队独立完成的《SPAN》论文，提出业界首个覆盖公历法、农历、伊斯兰历等6种历法体系的跨历法时间推理测试基准，并基于此进一步提出工具增强的时间智能体来提升跨历法时间推理的效果。这项技术已经率先在AI理想同学日历场景中落地，让理想同学掌握更加精确的历法时间推理。

理想汽车与高校合作发表的LexInstructEval全新评测基准，建立了一套全新的大模型指令遵循能力评测基准。通过形式化语法规则拆解复杂指令，以判断大模型执行复杂指令的能力，评判AI到底有没有“听懂人话”，对提升AI可控性研究有重要贡献。

理想汽车与高校合作发表的SRSplat，只需少量低分辨率视图，即可生成高分辨率3D场景，为自动驾驶、具身智能提供更可靠的视觉基础。本篇论文在会上获得了口头报告的殊荣，这一报告形式的录取率通常低于3%。

02NeurIPS 2025：类脑运动规划框架与多角色身份对应

神经信息处理系统大会（NeurIPS）是机器学习和计算神经科学领域的顶级国际会议，也是CCF推荐的人工智能领域A类学术会议。

智能车辆寻找路径的难点从来不只在“算得快”，而是“看得准、想得明白”。真实世界里，车辆要面对地图不完整、障碍会移动的实际问题，传统规划常因信息不完备或结构推理能力不足，而导致规划效率和质量下降。

理想汽车与高校合作提出了一种类脑运动规划框架（NeuroMP）。通过模拟人类大脑的路径寻优方法，以脑功能机制启发为核心：先做“视觉空间感知”把可行通道抓出来，再用“语义-情景”做协同决策，有效解决了车辆的感知-决策困境。

此外，理想汽车还与高校合作提出了一个针对多角色姿态驱动动画的系统性解决方案（EverybodyDance）。其创新性提出二部图匹配方法，能够准确区分多角色动画中的不同个体，简单来说，就是让AI生成动画里的多个角色不“串戏”。

03EMNLP 2025：多智能体协作与语言安全

EMNLP作为自然语言处理领域的顶级国际会议，2025年主赛道录取率约22%。理想汽车基座模型团队的2篇论文成功入选，充分体现了团队对智能座舱人机交互和内容安全的前瞻性布局。

在多智能体协作评估方面，理想汽车与高校合作提出了一套新的评测框架（Collab-Overcooked），创新性地将协作解构为“发起”与“响应”两个关键阶段，设计细粒度过程化评测指标，测试多个AI之间能不能进行团队协作。该工作荣获Senior Area Chair Highlight奖项，被评审委员会视为具有突出学术价值的论文。

理想汽车与高校合作研发的HED-COLD（谐音增强冒犯语言检测）构建了首个大规模中文谐音语音数据集，驱动模型对谐音数据的语义响应与原始数据保持一致。大量实验显示，该方案在多个权威基准测试中均获最优表现，尤其在性别、地域等易受谐音攻击的领域提升显著，有效强化对话系统的内容安全防护能力。

04ACM MM 2025：跨模态一致性与视觉推理

ACM MM作为多媒体领域的顶级国际会议，汇聚了全球在图像、视频、音频等多模态研究方向的前沿成果，理想汽车基座模型团队的2篇论文成功入选。

理想汽车与多个高校合作发表的PRISM（跨模态知识一致性评测框架），可以测试AI模型在处理不同形式（文字或图片）但意思相同的内容时，是否会给出自相矛盾的答案，为多模态AI的可靠性提供关键标准。

视觉推理动态优化方面，理想汽车与高校合作提出了让视觉语言模型具备“思考-检验-修正”能力的创新框架（ VL-DynaRefine），即“边做边检查”。让模型在每个推理步骤中动态检测并纠正错误，无需微调即可显著提升视觉问答与定位性能，开启动态自我纠错新范式。

05ICCV 2025：计算机视觉领域全面开花

作为计算机视觉领域的顶级国际会议，ICCV 2025见证了理想汽车基座模型团队在视觉技术方面的深厚积累，团队已披露的3篇论文涵盖了目标检测、场景理解、视觉生成等多个核心方向。

理想汽车与高校合作提出了业界首个大规模高质量人脸视频数据集，具备多种族、高质量、大容量等特性，可用于训练多模态数字人脸视频生成基座大模型，对视频生成领域有重要贡献。

理想汽车与高校合作提出一种全新的图像定制化微调范式，让图像的定制化生成更快、更准确，可以适配各种生成模型。

理想汽车与高校合作提出一种自适应VLM Token压缩&推理加速方法，通过Token剪枝策略和自投机解码策略，加速推理、更会抓重点，在长问答任务上可实现1.5倍的提速。

12篇顶会论文的背后，是理想汽车对AI技术体系化布局的深度思考。从跨历法时间推理到3D场景重建，从类脑智能规划到多模态理解，这些研究成果不是孤立的学术探索，而是围绕智能汽车核心场景构建的完整技术拼图。

更重要的是，这些技术正在从实验室走向量产车。当用户与理想同学对话时，背后是语言安全技术在保驾护航；当车辆规划行驶路径时，类脑决策框架正在发挥作用；当自动驾驶系统理解复杂场景时，3D重建技术提供了关键支撑。

我们相信，真正的技术领先不仅体现在论文数量，更在于将前沿研究转化为用户价值的能力。理想汽车将继续深耕AI基础研究，携手学术界共同推动智能汽车技术的边界，为每一位用户创造超越期待的智能出行体验。