复杂

这些专业能力落到真实车舱，转化为一组直接影响用户体验的指标：Sage场景推理精度超过90%，长链路工具调用、逻辑规划、环境感知任务成功率分别达92%、89%、94%，复杂指令遵循率提升40%。

AI全面进入智能体时代，而汽车的复杂智能体能力依赖云端，端侧模型受算力与参数限制，仅能实现简单指令响应。

Sage采用MoE架构，总参数量为32B，激活参数仅3B，是行业内首款在车端实现复杂智能体能力的基座大模型，在PinchBench上性能领跑全球一线云端大模型，已在英伟达OrinX端侧平台实现部署。

SCOUT（Sub-ScaleCollaborationOnUnseenTasks，分级协同学习框架）技术重点解决大模型学习复杂出行场景任务时成本高、试错慢的问题，在复杂任务能力注入过程中可节省约60%的GPU小时消耗。

SCOUT：让大模型学复杂任务，省60%算力

以SCOUT和ERL为核心的后训练技术体系，一项让模型"学得又快又省"，一项让模型"做事不出错"，重点突破智能体在学习效率、训练成本和复杂任务稳定执行上的行业挑战，解决了让车载大模型从"能听懂指令"进化到"能独立办成一件复杂的事"的行业公认难题。

已被机器学习顶级会议ICLR2026收录的ERL（ErasableReinforcementLearning，可擦除强化学习）技术，聚焦复杂任务链路中的错误识别与纠偏。

SCOUT和ERL两项技术前后协同共同推动Sage从语言大模型演进为能够独立完成复杂任务的智能体。

这项技术让Sage在多跳复杂推理基准上较此前SOTA取得显著提升，装车后Sage在复杂任务上的完成率提升了20%。