返回案例列表
汽车行业模型微调
高端新能源车企智能座舱大模型微调
针对车载问答与语音控车的 GLM-5.2 深度微调与指令对齐
项目概述
为某高端新能源车企的智能座舱系统定制开发垂类模型。通过对车载指令、车辆手册以及车主日常交谈进行高质量数据集清洗与高效微调，打造兼具拟人感与高准确率的车机大脑。
合作流程
1
数据准备
2 周收集车主手册、维保流程、语音控车日志并清洗结构化
2
微调训练
3 周采用 LoRA 对大模型进行 SFT 监督微调，并执行 DPO 人类对齐
3
推理加速
2 周模型量化（INT4/INT8），优化内存占用，降低首字延迟
4
座舱集成
2 周与车机语音助理（VPA）对接，打通车控 API 接口链路
5
灰度升级
持续首批车主OTA推送试用，监控日志持续微调优化
业务挑战
- 通用大模型缺乏针对特定车型的操作规范和故障排查知识，容易生成幻觉
- 智能座舱人机交互对响应延迟有极高要求，传统云端超大模型延迟难以承受
- 车载芯片算力受限，需要针对边缘推理优化模型体积与计算资源占用
我们的方案
以智谱大模型为底座，抽取车辆工程、使用手册等核心数据构建 50,000 条高质量 SFT 指令集。采用 LoRA 高效微调结合 DPO 对齐训练，最终将微调后的模型部署于车端及云端混合推理引擎，实现流畅的车载对话与精准的车控执行指令生成。
技术架构
智能座舱大模型微调与部署架构
原始数据集（操作手册/控车指令/日常会话）→ 数据治理（清洗/脱敏/QA对生成）→ 微调训练（SFT + DPO 对齐 + 损失函数监控）→ 编译优化（模型量化压缩 + 算子级推理优化）→ 车云协同推理部署
核心技术栈
GLM-5.2 / ChatGLMLLaMA-FactoryPEFTSFT & DPOTriton 推理
我们的合作模式
每个项目都遵循标准化的合作流程，确保交付质量与客户满意度
需求沟通
方案设计
PoC 验证
敏捷交付
持续运维
关键成果
车控指令准确率98.5%
首字响应延迟降至0.4 秒
模型微调迭代周期3 周
“智文团队的全栈能力令人印象深刻，从座舱模型微调到车机集成对接，每个模块都交付得一丝不苟。系统上线后的用户反馈非常好。”
—— 座舱数字产品负责人
相关服务
想了解类似的方案？
联系我们