公司评级与目标价 - 美银证券首次覆盖文远知行，给予买入评级和12美元的目标价 [1] - 目标价基于市销率和贴现现金流估值法的平均值，对应每份ADR为12美元 [3] 业务定位与增长前景 - 公司被描述为新兴的全球L4级自动驾驶解决方案提供商 [2] - 预计到2029年公司将显著扩大其车队规模并实现盈利 [2] 增长驱动因素 - 凭借战略合作伙伴关系和先发优势，机器人出租车业务将在全球更广泛地推广 [2] - 随着规模扩大，公司在中国市场的盈利能力将得到改善 [2] - 其机器人巴士、机器人货车和机器人扫地车等产品的采用将加速，所有产品均由其统一的WeRide One平台支持 [2]

行业技术趋势与人才需求 - 端到端自动驾驶技术是当前车企的核心招聘方向，但具备量产经验的全栈人才稀缺 [1] - 技术层面需攻克导航信息引入、强化学习调优、轨迹建模与优化等难题，这些是目前量产工作的前沿 [1] - 行业对具备从模型优化、场景优化、数据优化到下游规划兜底等全栈能力的端到端人才需求迫切 [1] 课程核心内容与结构 - 课程核心算法涵盖一段式端到端、两段式端到端、导航信息量产应用、开闭环强化学习、扩散模型+强化学习、自回归+强化学习、时空联合规划等 [3] - 课程设计聚焦量产实战与就业，包含从算法框架到具体量产经验的完整链条 [3] - 课程采用小班制，仅限35个招生名额 [3][5] 讲师背景 - 讲师王路拥有C9本科和QS50博士学历，发表多篇CCF-A/B论文 [6] - 现任国内顶级Tier1算法专家，从事大模型、世界模型等前沿算法的预研与量产工作 [6] - 具备丰富的端到端算法研发和实战经验，其研发的算法已成功落地量产 [6] 详细课程大纲 - **第一章：端到端任务概述** 介绍感知任务一体化架构、规控算法学习化方案，以及开源数据集与评测方式 [9] - **第二章：两段式端到端算法** 讲解两段式框架建模、感知与PNC信息传递、优缺点，并以PLUTO算法实战 [10] - **第三章：一段式端到端算法** 介绍基于VLA、Diffusion等方法的一段式框架，并通过VAD系列深入教学 [11] - **第四章：导航信息的量产应用** 讲解主流导航地图格式、内容，及其在端到端模型中的编码与嵌入方式 [12] - **第五章：自动驾驶中的RL算法介绍** 重点介绍强化学习算法及训练策略，以弥补纯模仿学习的不足 [13] - **第六章：端到端轨迹输出优化** 进行NN Planner项目实战，涵盖基于扩散模型、自回归的模仿学习及后续的强化学习 [14] - **第七章：兜底方案 - 时空联合规划** 介绍量产中用于轨迹平滑与优化的后处理算法，如多模态轨迹打分搜索 [15] - **第八章：端到端量产经验分享** 从数据、模型、场景、规则等多视角分享量产实际问题解决经验 [16] 课程安排与学员要求 - 课程于11月30日开课，为期三个月，采用离线视频教学，辅以VIP群答疑和三次线上答疑 [17] - 章节内容按周解锁，从第一章到第八章持续至次年2月24日 [17][19] - 面向进阶学员，建议自备算力在4090及以上的GPU，并熟悉BEV感知、视觉Transformer、强化学习、扩散模型等理论基础及Python/PyTorch、mmdet3d框架 [18]

文章核心观点 - 提出首个基于3D高斯溅射技术构建传感器级仿真环境并用于端到端强化学习自动驾驶策略的方法RAD [1] - 该方法采用三阶段训练流程：感知预训练、模仿学习预训练、强化学习与模仿学习混合微调 [3][5] - 与纯模仿学习方法相比碰撞率降低3倍动态碰撞率从0.24降至0.08静态碰撞率从0.03降至0.009 [25][29] 技术方案架构 - 状态空间包含BEV编码器学习实例级鸟瞰图特征地图头学习静态元素代理头学习动态交通参与者图像编码器学习规划特征规划头使用Transformer解码器整合场景表示 [7] - 动作空间横向动作范围-7.5米至7.5米纵向动作范围0米至15米均离散化为61个动作间隔0.25米动作执行周期0.5秒 [8] - 策略优化结合PPO算法与模仿学习通过自行车模型计算车辆位置更新 [11][12] 奖励函数与辅助任务 - 奖励函数按横纵向解耦设计包含动态碰撞静态碰撞位置偏差朝向偏差四项主要奖励 [16][17] - 辅助任务针对减速加速左转右转行为设计利用GAE计算损失权重例如动态碰撞辅助损失鼓励前方碰撞时减速后方碰撞时加速 [20][22] - 整体优化目标包含PPO损失与四项辅助损失加权和 [19][23] 训练流程与数据 - 第一阶段使用2000小时真实驾驶数据预训练感知模块 [28] - 第二阶段使用里程计数据监督训练规划模块 [28] - 第三阶段选取4305个关键场景其中3968个训练337个测试使用3DGS重建环境进行强化学习微调 [10][28] - 训练中强化学习与模仿学习数据比例4:1时效果最优 [28] 实验效果与对比 - 在碰撞率位置偏差率等关键指标上显著优于VADGenADVADv2等基线方法例如碰撞率从VAD的0.335降至0.089 [25][29] - 奖励函数与辅助任务消融实验证实所有组件均有效动态碰撞奖励对降低碰撞率作用显著 [25][27] - 方法在动态环境处理上展现闭环训练优势相比开环模仿学习更能适应分布外场景 [28][29]

3Q25业绩概览 - 3Q25总收入同比增长72%环比增长19%至2544万美元 [4] - 毛利率同比提升9个百分点环比提升2个百分点至18% [4] - Non-GAAP归母净亏损同比扩大33%环比扩大19%至5472万美元 [4] 分业务表现 - Robotaxi服务收入同比增长89%环比大幅增长339%至669万美元，收入占比同比提升2个百分点环比提升19个百分点至26%，其中乘客车费收入同比增长超200% [5] - Robotruck服务收入同比增长9%环比增长7%至1018万美元，收入占比同比下降23个百分点环比下降4个百分点至40% [5] - 技术授权与服务应用收入同比增长355%环比下降18%至857万美元，收入占比同比提升21个百分点环比下降15个百分点至34% [5] 成本与财务状况 - 3Q25 SG&A费用率同比下降2个百分点环比显著下降18个百分点至55% [5] - 截至3Q25末在手现金合计4184亿元，港股IPO后新增现金约60亿元 [5] 运营进展与战略优势 - 截至11月23日Robotaxi车辆总数达961辆，其中第七代车型667辆，第七代车型已在广州市实现以城市为单位的单车盈利转正 [6] - 管理层指引年内车队规模千台目标将提前完成，预计2026年Robotaxi车队规模将扩展至3000辆以上 [6] - 公司是唯一在北京、上海、广州、深圳四大一线城市取得所有Robotaxi监管许可的自动驾驶公司 [6][7] - 第七代Robotaxi车型自动驾驶套件成本较上一代下降70%，2026年预计再降低20% [7] - 第四代Robotruck车型自动驾驶套件成本较上一代下降70% [7] 技术与生态合作 - 基于强化学习范式首创的PonyWorld世界模型为规模化运营提供技术基座 [6] - 与多家OEM、出行平台及核心零部件供应商达成合作，并与西湖、阳光出行合作实现轻资产运营 [6] - 已在弗里蒙特、卢森堡、沙特阿拉伯、阿联酋、韩国等地取得自动驾驶测试及运营资质或牌照 [6]

公司业务与运营 - 公司是一家位于宾夕法尼亚州的自动驾驶技术公司，销售适用于不同车型的自动驾驶硬件、软件和数据服务 [2] - 公司的自动驾驶平台在公共道路上的无人驾驶里程已超过10万英里，并保持了“完美的无人驾驶安全记录” [2] - 公司目前拥有5辆无人驾驶卡车，正在定期为客户运送货物 [4] - 公司计划在明年部署没有安全员的完全无人驾驶卡车 [4] 市场扩张与战略规划 - 公司预计到2026年将快速拓展阳光地带（Sun Belt）的运输线路 [2] - 未来的扩张计划包括达拉斯至拉雷多（为关键客户服务的关键路线）以及达拉斯至亚特兰大的线路，这将使无人驾驶的I-10、I-20走廊延伸至约2000英里 [2] - 公司已在沃斯堡至埃尔帕索启动无人驾驶运营，并即将扩展至凤凰城，为此已验证了针对德克萨斯州和亚利桑那州部分地区常见的沙尘暴的应对行为 [2] 市场观点与股价表现 - 根据Reddit用户观点，该公司被列为最具潜力的最佳小盘股之一 [1][2] - 该股票今年以来已下跌36% [4]

The Stock Exchange of Hong Kong Limited and the Securities and Futures Commission take no responsibility for the contents of this Application Proof, make no representation as to its accuracy or completeness and expressly disclaim any liability whatsoever for any loss howsoever arising from or in reliance upon the whole or any part of the contents of this Application Proof. Application Proof of UISEE Technologies (Beijing) Co., Ltd. 馭勢科技（北京）股份有限公司 (the "Company") (A joint stock company incorporated in the Pe ...

课程核心观点 - 3D高斯泼溅技术领域技术迭代速度极快，涵盖静态重建、动态重建、表面重建及前馈模型等多个方向[1] - 行业存在理论与实践结合的学习门槛，缺乏系统化的学习路径[1] - 课程旨在提供从原理到实战的完整3DGS技术栈学习方案，由工业界算法专家讲授[1] 课程大纲与内容 - **第一章：背景知识**：涵盖计算机图形学基础、三维空间表达、渲染管线及3DGS开发工具如COLMAP、Gsplat，并设置基于3D Real Car模型的实战作业[5] - **第二章：原理和算法**：深入讲解3DGS原理、核心伪代码及动态重建、表面重建等前沿算法，实战采用英伟达开源3DGRUT框架[6] - **第三章：自动驾驶应用**：聚焦Street Gaussian、OmniRe、Hierarchy UGP三篇工作，实战使用DriveStudio平台[7] - **第四章：研究方向**：探讨COLMAP扩展、深度估计、Relighting等方向，分析其工业界应用与学术前景[8] - **第五章：前馈3DGS**：梳理前馈模型发展历程与原理，讲解AnySplat和WorldSplat等最新算法[9] - **第六章：答疑交流**：通过线上形式讨论行业岗位需求、技术痛点等开放性问题[10] 课程安排与面向人群 - 课程为期两个半月，采用离线视频教学结合VIP群答疑模式，章节从12月1日起分阶段解锁[12] - 面向具备GPU算力、计算机图形学基础、Python/PyTorch能力的学习者，目标人群覆盖实习、校招、社招阶段[14] - 讲师为QS20硕士，现任Tier1厂商算法专家，拥有三维重建及自动驾驶仿真引擎开发经验[2]

财务业绩表现 - 2025年第三季度收入达到1.71亿元人民币（2400万美元），同比增长144.3%，创下公司最大季度增幅[1] - 季度毛利润跃升1123.9%，达到5630万元人民币（790万美元），毛利率从去年同期的6.5%提升至32.9%[2] - 截至2025年9月30日，公司持有现金及等价物、定期存款、受限现金和理财投资总计54亿元人民币（7.641亿美元），较前几个季度有所增加[2] 业务增长驱动因素 - 收入增长主要源于机器人出租车服务的全球车队推广和客户使用深度增加，特别是在自动驾驶网约车领域[1] - 利润改善得益于公司避免了意外开支，并转向更高利润率的ADAS研究项目[2] - 公司在阿布扎比获得了完全无人的商业机器人出租车许可，并且其运营即将达到单位经济效益盈亏平衡[3] 公司战略与前景 - 充足的现金储备为车队建设和市场进入提供了资金支持，无需增加除2.45亿元人民币短期银行贷款以外的债务[2] - 阿布扎比业务的单位经济效益盈亏平衡被管理层视为验证大规模盈利路径的关键里程碑[3] - 公司是一家中国自动驾驶技术公司，开发用于乘用车、机器人出租车和商业车队的L4级自动驾驶解决方案，业务遍及中国、美国和其他全球市场[3]

核心观点 - 小马智行被列为当前值得买入的中国科技股之一 其发布了第四代自动驾驶卡车 旨在推动中国无人货运的大规模应用 [1] - 花旗集团维持对小马智行的买入评级 但因预期股份稀释而下调目标价 [3] 产品与技术进展 - 公司于11月18日发布了第四代自动驾驶卡车产品线 该产品是与三一卡车和东风柳州汽车等合作伙伴共同开发的 [1] - 首批两款卡车将采用三一卡车和东风柳州汽车最新的纯电动底盘 这些底盘设计用于大规模量产 首批卡车计划于2026年开始投入运营 [2] - 第四代系统全部采用车规级零部件 与上一代相比 每辆卡车的物料成本降低了约70% [2] 资本市场与评级 - 花旗集团于11月7日将小马智行的目标股价从29美元下调至24.50美元 同时维持买入评级 [3] - 下调目标价的原因是预期公司于2025年11月初在香港交易所上市将导致股份稀释 [3] 公司业务概况 - 小马智行是一家专注于自动驾驶技术开发和商业化的科技公司 主要业务包括Robotaxi和Robotruck服务 [4] - 公司在中国和美国运营 提供全无人驾驶Robotaxi乘车服务 通过自动驾驶卡车提供货运服务 以及为个人车辆提供智能驾驶解决方案 [4]

公司合作与业务拓展 - Uber Technologies与中国的自动驾驶公司WeRide合作，在阿布扎比推出无人驾驶机器人出租车服务[1] - 此次服务推出是继两家公司去年宣布合作后的后续进展[1]