文章核心观点 - 理想L9在产品品质、人机工程设计、车机系统及家庭实用性方面表现更优，被推荐为更成熟可靠的选择 [1][7] - 问界M8在第二排座椅舒适性及部分炫酷科技功能上具有优势，但整体产品完成度存在不足 [1][2] - 两款车型的辅助驾驶能力处于同一梯队，但风格迥异，华为系统通行效率高但舒适安全感稍弱 [2] 问界M8 Ultra优势分析 - 第二排零重力座椅可实现横向移动以避开轮拱，提供更大的躺倒角度，配合专用扶手和集成安全带，舒适度极高且行驶中可用 [2] - 提供更强的感官刺激科技功能，包括可隔空手势开启的电动门、投影大灯的光毯功能以及AR-HUD [2] - 辅助驾驶系统博弈性强，通行效率更高 [2] 理想L9 Ultra优势分析 - 内饰用料如皮革、镀铬及装配工艺明显更高级，品质感与做工更优 [3] - 人机工程设计是巨大优势，前排座椅对背部和腿部承托到位，长途舒适性强于M8 [4] - 扶手设计位置合理，避免了驾驶员胳膊肘硌在硬质饰条上的问题 [4] - 冰箱容积更大且设计合理，相比之下M8冰箱门难关且按键易误触 [4] - 盲区影像不遮挡导航关键信息 [5] - 车机系统为车载优化，采用大卡片并可多任务监看，语音助手理想同学基于MindGPT大模型，能理解复杂自然语义并控制第三方App [6] - 后排屏幕为高素质4K吸顶屏，优于M8的1080P投影屏，后者白天泛白清晰度差且片源有限 [6] - 油门调校线性跟脚延迟低，驾驶平顺性好开，M8油门在零开度起步时有迟滞动力突兀 [6] - 设计更保守注重家庭安全，如电吸门不易夹到小孩，第三排通透感和舒适度稍好 [6] 产品定位与市场评价 - 理想L9被类比为苹果，注重高品质、无感的细节优化和人机工程 [1] - 问界M8被类比为华为，注重炫酷、有感的科技功能 [1] - 尽管理想L9已上市三年，但其产品力依旧强悍，优势体现在各处用心的细节里 [7]

公司战略与展望 - 公司在2025年10月30日举行全球合作伙伴大会，主题为“共赢·创新·链接”，并分享了未来三年的战略展望[3][5] - 公司总裁马东辉在大会上发表主题演讲，回顾过去业绩并阐述面向未来的发展路标[9] - 公司管理层在2025年第二季度电话会议上表示将加速技术平台和产品更新迭代速度，目标在2026年使整车产品力和人工智能体系化能力超过2022年L9时代的领先程度[3][4] 技术成果展示 - 大会通过“智链公园”展区集中展示了与合作伙伴协同创新的全链路技术成果，包括AI大模型驱动的柔性制造、连山系统、星环OS、高阶辅助驾驶、新一代动力电池、超充网络及智能底盘[3][20] - 大会设置了无人接驳体验、机器人手作咖啡等互动环节，让参与者沉浸式感受智能出行的未来[24][26] 合作伙伴生态 - 公司传播供应链文化“W.I.N.”，即共赢、创新、链接，旨在共建合作伙伴生态圈[2] - 来自全球的六百余名合作伙伴参会，大会为致敬十年同行伙伴举行了颁奖典礼，颁发了技术贡献奖、卓越质量奖等多个奖项[5][27][32] - 公司强调将继续秉持“共赢·创新·链接”的文化，与全球合作伙伴开启下一个“黄金十年”[32] 政企合作与产业环境 - 常州市人民政府市长周伟在大会上致辞，指出常州作为新能源之都，致力于构建一流营商环境，并将深化产业链协同[6][8] - 理想汽车与常州的故事被描述为政企同心、彼此成就的最佳范本[6]

公司战略与技术路线 - 公司认为无法在竞争对手已建立的战场上取胜，必须通过开辟新战场实现超越，例如在技术路线上选择研发下一代“端到端”和VLA模型 [5][13][16][17] - 公司自动驾驶业务发展有明确时间节点：2021年确认核心技术方案，2023年拿到入场券，2025年成为顶级公司，2027年实现L4常态化运营 [43] - 公司战略核心是高效运营数据闭环，其能力发展公式为 I' = A · D(t) · δ(t)，其中算法能力A是常量，有效数据量D(t)趋于稳定，数据闭环效率δ(t)是关键变量 [60][61] 技术演进与核心决策 - 2023年底至2024年初，公司决定必须实现智能化超越，选择以“端到端”技术作为对传统规则方案的代际提升，并于去年下半年取得成果 [16] - 2024年春节前后，公司认识到“端到端”模仿学习存在天花板，如跟慢车不绕行、复杂路口理解不足等问题，因此加速转向VLA模型研发 [18] - VLA模型旨在让系统具备类似人类的思考推理能力，其内部代号为“斯芬克斯”，公司目标是使其成为实现L4级自动驾驶的路径 [20][21][30] 组织架构与运营模式 - 公司于9月19日将智驾团队重组为11个二级部门，使组织架构更为扁平，旨在打造面向AI的团队，提升决策效率并取消大规模封闭研发模式 [6][7] - 公司调整研发节奏，取消集中封闭开发，因时代背景从追赶变为领先，需要各部门发挥业务专长，并体现对员工的关怀 [9] - 公司智驾团队骨干已演进至第三代，核心管理者和二级部门负责人均从内部培养，强调对全面业务的了解 [52][53][54] 数据与算力基础设施 - 公司目前拥有10 EFLOPS训练算力加3 EFLOPS推理算力，去年云端算力投入约10亿元人民币量级，达到8 EFLOPS，并表示在算力方面投入不设限 [35][37][38] - 公司数据量从2021年前不足1亿公里，增长至去年有意控制下仍有十几亿公里高质量数据，未来将依靠世界模型生成更多数据用于训练 [40][41] - VLA车端模型参数量为4B，计划将云端模型做到32B，公司通过工程优化能力将模型部署在非大模型定制的芯片上 [39][40] 技术对比与行业竞争 - 公司回应了博世和华为对VLA技术的质疑，认为多模态对齐、数据训练和模型幻觉问题可通过自身技术积累解决，并称反对声音恰恰说明VLA正确 [23][24][25] - 公司认为其世界模型是为VLA模型服务的强化训练环境，与蔚来、华为对世界模型的理解不同，并与Yann LeCun提出的可预测未来状态的理念一致 [31][32][33] - 公司与特斯拉FSD的差距尚未拉开，但预计在VLA加强化闭环实现自我迭代后，将形成代际差别，并可能在中国市场超过特斯拉 [44] 商业化落地与未来挑战 - 公司认为实现L4级自动驾驶的最大挑战并非技术，而是大规模商业化落地，包括用户教育、法律法规和公众接受程度，初期将聚焦国内市场 [45][46][47] - 公司计划到2026年底实现1000公里的平均接管里程，之后该指标可能不再适用，业务模式将因强化训练闭环而发生根本性变革 [42] - 公司已建立面向海外市场的创新业务部，进行产品交付和L4落地预研，但承认海外市场的法规和产品设计与国内存在区别 [47]

VLA技术发展路线图 - 短期目标是在2025年底至2026年初搭建出训练的强化闭环，目标是让用户体验到车辆“活”了的感觉，实现持续成长 [1] - 中期目标是通过强化闭环在中国市场超越特斯拉，核心优势在于拥有比特斯拉更便利的闭环迭代环境 [1] - 两年周期内，VLA结合强化学习将引发业务大变革，预计2025年开始，经过2025-2026两年迭代，到2027年将形成企业真正的护城河，即整个业务流程的变革能力而非单一的模型、数据或芯片 [1] - 远期目标是利用VLA技术实现L4级别自动驾驶，并预期未来还会有新技术出现 [1] 强化闭环系统的工作机制与价值 - 强化闭环系统能自动识别问题，如用户接管、驾驶顿挫、急刹车等，自动收集问题数据并回传进行强化训练，完成迭代后上线，实现自我优化 [2] - 该能力被视为未来自动驾驶运营商的核心立足点之一，但可能不构成严格的护城河，因为最终可能有多家主体掌握自动驾驶技术 [2] 对VLA技术路径的倾向性看法 - 认为驾驶所需的智能程度相对较低，以目前大语言模型展现的智能水平足以应对自动驾驶，主要需解决时延问题 [3] - 业务流程改革完成后，经过1-2年时间，能更清晰界定车端算力与模型参数量需求，倾向于需求不会太大，给出的锚点是车端1000或2000 TOPS，云端32B参数模型，并认为将320B模型蒸馏成4B很不合适 [3] - 存在一种观点认为，在遇到明显瓶颈期前，算力和参数量整体上是越大越好，这与“the bitter lesson”的核心思想一致，即充分利用算力的通用方法最终会胜出 [3] 技术方法论与行业趋势 - DeepSeek的方法在浅层上通过更好的方法降低了对算力的需求，但深层内核符合“the bitter lesson”，其方法本身是通用的元方法，可通过增加算力提升性能 [4][5] - 自动驾驶领域的前进方向符合“the bitter lesson”，任何试图将人类对世界的理解硬编码到算法中的尝试大概率会被淘汰 [5] - 理想团队认为华为的W Engine与其所说的世界模型概念相似，而其他友商关于世界模型的讨论仍停留在模型本身层面 [9] 公司领导力与战略决策 - 公司CEO在2025年2月底提出加快交付VLA，其判断基于模仿学习本质不具备人类智能 [6] - CEO与校招生保持每月一次沟通，与自动驾驶负责人之间建立了基于信任的默契和并肩作战的基础 [6] - 公司管理强调“关注人不关注事”，团队内部的双向信任是公司能够调整价值观稀释问题的基础 [6] 智驾部门组织架构调整 - 智驾团队的核心护城河被定位为业务体系而非个人，部门现设有11个二级部门，负责人均具备业务背景而非纯管理出身 [7] - 核心管理者倾向内部培养，而Research/算法研究人才可从外部引进 [7] - 具体部门调整包括将原模型算法团队拆分为基础模型部、VLA模型部和模型工程部等，并新增创新业务部 [7] - 取消封闭开发模式，原因包括追赶者收益降低以及体现员工关怀，公司高层可能已形成阶段性共识需提高员工关怀 [7] - 部门负责人自述团队经历了三代骨干更迭，当前为新班子主导 [7] 对竞争对手的评价与定位 - 团队非常关注特斯拉FSD V14的进展，并计划在美国进行实车体验，认为特斯拉Ashok在ICCV 2025上的演讲与理想VLA理念高度一致 [8] - 回应博世不看好VLA的观点，指出博世不自研基座模型且缺乏大模型相关工作经验，数据量不大，并认为可通过强化学习和超级对齐解决模型幻觉问题 [9] - 针对华为的观点，强调在完成端到端过程中发现corner case数据收集的核心在于数据分布和质量，需要系统具备人类思维推理能力，并认为反对VLA的声音恰恰证明了VLA方向的正确性 [9] 公司运营与资源规划 - 公司战略分析法的核心是认知决定战略，战略决定业务，业务决定组织和资源 [12] - 2024年公司云端算力为8 EFLOPS，价值约10亿人民币数量级，当前推理算力与训练算力投入各占一半被认为比较合理 [11] - 公司正在研发42B参数的云端模型，并希望云端模型参数量不要过大 [11] - 对于自研自动驾驶芯片，策略是如果一颗芯片效果不佳，就采用两颗芯片的方案 [11] - 预测到2027年行业可能不再使用MPI作为核心评价指标 [11] - 2023年公司主基调是扩招，但自动驾驶负责人认为团队规模不需过大，比特斯拉团队多一些即可 [11] - 自动驾驶负责人将50%精力投入短期日常管理事务，30%投入中长期战略规划，20%投入技术和业务进展 [11]

公司管理哲学与组织架构 - 公司采用差异化管理方式，管理工厂、操作系统、研发汽车、研发智能驾驶均使用不同的组织管理模式[6] - 公司智能驾驶团队与模型团队中，校招生占比极高，达到百分之六七十[1][7] - 公司倾向于让年轻人主导研究工作，认为很多经验对于搞研究反而构成障碍，因此很少招募行业专家[1][7] 智能驾驶研发策略 - 公司真正从事端到端自动驾驶研发的团队规模约为200人，与特斯拉规模相近[6] - 公司端到端自动驾驶团队的规模远小于采用规则算法的竞争对手，后者团队规模可达2000人至6000人[6] - 公司在进行视觉语言模型和多模态训练等相关工作的团队规模约为一百多人，与DeepSeek团队规模类似[6] 技术研发与外部合作 - DeepSeek的开源对公司研发语言模型有巨大帮助，将原计划耗时缩短了九个月，加速了公司研发进程[5] - 作为对开源社区的回报，公司决定将其操作系统开源[5] - 公司从中国教辅体系中获得启发，认为其解题过程是进行强化学习反馈的有效训练体系[8] 领导层核心能力与驱动力 - 公司CEO自认在AI工程领域具备扎实基础，不会被下属误导，因其拥有良好的工程思维[2][16][17] - 公司CEO将其成功归因于对“成长”的专注，成长是其个人驱动力，用户价值和商业价值是成长的结果[14][15] - 公司CEO认为其工程能力体现在善于提出结构性问题上，曾主导设计汽车之家网站架构和增程架构，这些架构至今仍是行业主流[18] 对行业同行的评价与洞察 - 公司CEO评价梁文锋是一个特别自律、善于在全球范围内研究和学习最佳实践与方法论的人[4][5] - 公司CEO认为梁文锋的成功在于其践行“先研究分析再行动”的高成功率最佳实践，并将此模式在组织内放大[12][13] - 在与梁文锋会面时，公司CEO认可其团队实力，但未预料到其能在约一个季度内实现从O1到R1的快速进步[8][9]

文章核心观点 - 讨论聚焦于特斯拉FSD v14的技术细节，特别是其是否集成了视觉语言动作模型（VLA）[1] - 探讨世界模型与VLA在自动驾驶领域的未来发展方向以及两者融合的可能性[3] - 分析数据和算力高需求对学术界参与自动驾驶研究的影响及潜在机会[3] 圆桌讨论主题 - 特斯拉FSD v14中值得国内关注的技术亮点[3] - 世界模型和VLA未来发展方向探讨，包括融合统一的可能性[3] - 数据和算力高需求导致学术界参与度下降，探索学术界在智驾领域的新机会[3] 参会嘉宾背景 - 嘉宾来自理想汽车VLA团队及硅谷研发中心、博世中央研究院VLA/闭环算法团队、长安汽车泊车团队等产业界关键角色[4] - 学术界代表包括上海交通大学人工智能学院博士生导师[6] - 其他参与者包括自动驾驶之心联创、深度流光联合创始人等行业专家[7][9]

研究背景与挑战 - 自动驾驶系统的安全性和可靠性高度依赖4D动态场景重建（3D空间+时间维度的实时、高保真环境感知）[1] - 行业面临传感器成本与效率的平衡挑战：传统多模态方案依赖LiDAR、RaDAR等昂贵设备，纯视觉方案虽成本低但需解决稀疏视角和动态物体带来的重建难题[3] - 现有渲染技术存在局限：神经渲染方法（如NeRF、3D高斯溅射3DGS）在静态场景中表现出色但无法满足实时性需求，而动态场景方案（如EmerNeRF、Driv3R）存在离线优化、计算负担重及细节丢失问题[3] - 静态前馈方案（如DrivingForward、pixelSplat）因假设场景无动态，在面对移动目标时会产生严重伪影，难以适配真实驾驶场景[1] 核心创新点 - 提出静到动两阶段训练范式：先学习鲁棒的静态场景先验并冻结静态网络，再训练动态模块，以解决端到端训练的不稳定性并降低动态建模复杂度[4] - 设计混合共享架构的残差流网络：采用共享深度编码器学习通用运动先验，配合轻量化单相机解码器预测动态物体的非刚性运动残差，兼顾跨视角一致性与计算效率[4] - 构建纯视觉在线前馈框架：仅输入两帧连续环视图像即可实时输出3D高斯点云、深度图、场景流等多任务结果，无需离线优化或多模态传感器[4] 主要技术方案 - 整体框架输入两帧连续环视图像，先通过静态模块生成3D高斯表示的静态场景，再通过残差流网络预测动态运动，最终融合生成4D动态场景[7] - 静态场景几何与外观建模以3D高斯溅射（3DGS）为核心，每个高斯基元定义包含3D空间均值（位置）、协方差矩阵（形状）、不透明度及球谐函数系数（外观）[9][11][16] - 通过深度网络（D）和高斯参数网络（P）两个前馈网络直接预测高斯参数，所有相机视角的高斯基元转换到世界坐标系拼接为统一静态场景表示[12][16] - 动态建模基于残差场景流，将总运动场分解为刚性运动（由自车运动引发）和非刚性残差运动（由动态物体运动引发），通过残差流网络预测后者[13][17] - 残差流网络采用粗到细优化策略，包含共享深度编码器、单相机金字塔解码器和输入适配层，以有效处理大位移运动并确保跨视角尺度一致性[18] 实验验证与结果分析 - 实验在nuScenes数据集上进行，图像分辨率352×640，使用NVIDIA RTX5090 GPU，训练采用两阶段策略各6轮[21][25] - 在新视图合成任务上，该方法PSNR达28.76，较Driv3R（26.10）提升2.66dB，SSIM达0.895，显著高于Driv3R（0.808）[26][28] - 在深度预测任务上，几何准确性优于Driv3R：Abs Rel为0.227 vs 0.234，Sq Rel为2.195 vs 2.279，RMSE为7.254 vs 7.298[26][29] - 在效率与模型复杂度上，推理速度达0.21秒/帧，比DrivingForward（0.34秒）快38%，比Driv3R（0.71秒）快70%，模型参数仅0.117GB，为Driv3R（2.512GB）的4.6%[30] - 训练成本约为5天，VRAM占用27.3GB，远低于Driv3R的7.5天和175.5GB[30] - 定性结果显示该方法能生成边缘清晰、时序一致的动态物体重建结果，并能有效分解运动场，准确定位动态物体[31] - 消融实验验证了核心设计的必要性：去除残差流网络后PSNR和SSIM显著下降，替换为端到端训练后渲染质量大幅退化，去除流场扭曲损失后多任务一致性下降[31][32][34]

地平线HSD软件体验评估 - 在杭州西湖进行的1.5小时A车型试驾中，地平线HSD工程版软件体验被认为明显优于理想L7 VLA截至2025年10月的量产版本 [2] - 试驾过程除1次三点掉头外0次接管，在安心感、舒适感、丝滑度、时延及两车道堵车情形下的连续启停舒适度方面表现不错 [7] - 地平线人员坦诚指出HSD在极端天气、非标场景、复杂博弈下表现一般，并估计其水平约为特斯拉FSD V13的60% [5][7] 不同技术路线对比：VA式端到端 vs VLA式端到端 - 地平线采用VA式端到端技术路线，而理想采用VLA式端到端技术路线 [3][9] - VA式端到端以特斯拉FSD为标杆，已有不错实际体验参考，对算力和带宽需求相对较低，路线稳妥性更强 [10] - VLA式端到端对算力、带宽需求明显更高，且缺乏已验证的实际体验作为参考，是理想基于自身情况做出的有勇气的战略选择 [3][10][14] 技术体验的局限性与泛化挑战 - 单次或几次试驾体验无法评估软件在全国不同城市的泛化能力，大规模全量数据下的安全性评估门槛很高 [2][8] - 同一软件在不同城市表现存在差异，小批量测试与大批量应用暴露问题的可能性不同，当前积极评价可能不够全面 [8] - 不同车型的体验差异显著，A车型的HSD工程车辅助驾驶能力很不错，而B车型的HSD工程车表现很一般，这与芯片算力及车企配合度有关 [7] 主机厂自动驾驶战略选择与行业格局 - 理想面临三种战略选择：侧重VA式端到端、两者均衡投入、或核心资源投向VLA式端到端，每种选择各有优劣 [12][13] - 行业观点认为，20万元以上市场除华为外将是主机厂自研自动驾驶的天下，缺乏自研能力的主机厂将被淘汰 [4] - 自动驾驶本身不是卖点，而是能力区分点，其低边际成本的特性天然导致行业集中度高 [4]

事故背景与初步分析 - 事故发生后，公司质量与研发团队立即通过云端数据进行分析，公司已交付超过140万台车辆，此前从未发生因车辆自身原因导致的电池热失控事故 [2] - 公司拥有名为“连山”的云端AI质量预警系统，旨在在电池热失控发生前识别问题并进行处理 [2] - 在事故发生前4个多小时，云端系统已报告电池绝缘故障，客服联系了相关人员，车辆甚至因小电瓶馈电进入抛锚状态并呼叫了救援 [3] 事故根本原因与决策过程 - 经详细分析，电池绝缘短路故障的根本原因并非电芯质量问题，而是冷却液对电池铝板的防腐能力不足，导致铝板发生点蚀现象 [4] - 此次召回范围不仅包括动力电池，还包括电机控制器 [4] - 公司内部经过深入讨论后达成共识，认为即使热失控风险概率极低，也必须以零容忍态度对待安全问题，决定进行召回 [4] - 公司总裁在决策会议上强调，决策应基于价值观而非成本，无论费用是10亿还是20亿，都应优先解决用户问题 [5] 召回执行与产能准备 - 公司在事故发生后一周内完成了召回材料准备并正式提交申请，随后紧锣密鼓地准备后续更换工作 [5] - 准备工作包括为召回生产全新的动力电池和电机控制器，以及安排售后维修产能 [5] - 动力电池的正常月产能为3300个，供应商需要为此次召回重新搭建产线以加速生产 [6] 公司价值观与内部回应 - 公司决策层在创始人未参与会议的情况下，一致同意召回，认为“一家人的安全是无价的” [6] - 针对外界关于公司早知风险而未召回的质疑，文章指出公司多位高管及员工本人均为涉事车型MEGA的早期用户，并近期刚进行过座椅升级，以此表明若知悉风险会尽早行动 [7]

2025年10月交付量分析 - 2025年10月公司交付31,767辆，被定性为低水平交付数字 [1] - 交付量不佳的初步拆分原因为L系列订单表现不佳、i68车型产能不足、MEGA车型交付正常 [1] - 准确的分车型交付预期需等待11月10日或之后几天公布 [1] i8车型产能问题分析 - i8车型产能不足的核心原因是低配版本选装率过低（约2%），导致电池供应商宁德时代难以临时提升产能 [2][5] - i8车型初始配置策略沿用L78车型，但顶配与中配价差更小（2万元对比L78的3万元），且配置差距更大（配备与L9/MEGA看齐的21.4寸电视与流媒体后视镜） [2] - i8车型中配与低配价差为2.8万元，配置差异包括冰箱、AD Max辅助驾驶系统和更高续航 [2] - 对比24款L7和L8车型，低配选装率分别为22%和37%，而i8车型配置选择分布为低配2%、中配20%、高配80%，与历史车型差异巨大 [3][5] - 大量理想纯电用户不关心增程车型的配置，导致配置选择出现显著差异，但具体原因难以准确分析 [5] i6车型电池供应策略 - 公司主动决定在2025年不交付配备欣旺达电池的i6车型版本，同样面临宁德时代产能临时提升困难的问题 [6] - 有推测认为i6车型7万辆订单可能超出公司预期，若提前知晓此情况，公司可能会选择提供2025年交付欣旺达电池版本的选项 [6] - 在马前炮视角下，当时的决策面临复杂情境：公司连续出现误判（包括L系列焕新销量、i8低配选装率、低估MEGA销量），同时舆论强烈建议选择宁德时代电池 [6] - 在自身连续误判后，坚持非共识看法需承担较大责任，而顺应舆论即使判断错误也可归为集体责任，基于人性难以主张坚持使用欣旺达电池 [6] - 预期公司未来几年在电池问题上的思路可能是采用宁德时代电池与理想-欣旺达合资公司产品（在工信部备案使用理想品牌）的组合方案 [6] L系列订单不佳的潜在原因 - 关于L系列订单不佳存在多种假说，目前尚无明确最具解释力的原因 [7] - 主要假说包括：竞品迭代速度快于公司、竞品数量过多、未及早采用大电池、明年将换代导致今年购买意愿低、宏观经济环境不佳、销售管理水平下降、进入负向循环周期、增程技术落后、理想纯电车型性价比过高、组织混乱及价值观稀释等 [7] - 高维抽象后，这些假说核心指向产品力不足、价值传递不佳、组织出现问题三个方面 [7] - 有未经证实的市场传闻称，公司在2025年第四季度预计交付约10万辆，2026年第一季度交付量表现尚可 [7] 历史车型配置比例参考 - 24款L6789各车型配置比例大致如下：L6车型Pro与Max版本比例为7:3；L7车型Pro、Max、Ultra版本比例为22:54:24；L8车型Pro、Max、Ultra版本比例为37:52:11；L9车型Pro与Max版本比例为19:81 [3] - 其中L789车型分车型比例数据源自微博用户引用QuestAuto的2024年10月数据，L6车型数据为基于多方信息的综合推测 [3]