Light Map / SD Pro - 平衡成本与功能 - 支撑城市NOA落地 - 众源更新探索 轻地图成为主流 重语义/拓扑/规划 - 与端到端算法深度 融合 - 地图成为在线先验 与离线训练数据源 - 兼顾AP友好性 驱动: 感知算法进步 (Transformer, BEV等) 驱动: 成本压力/规模化 (数据闭环, 众源成熟) • 精度按需: 对绝对几何精度要求动态调整，部分场景下拓扑关系与 证 N/A ★★ ★★★️ ★★★ ★★★ 高阶功能关键： 地图定义了自动驾驶系统的运行设计域（ODD），并用 于验证系统能否在特定区域安全运行，是L2+及以上功能部署和安全保障 的关键。 离线训练数据 源 ★ ★ ★★ ★★ ★★★️ 新兴价值： 高精度、富含语义的地图数据成为训练和仿真自动驾驶算法 （尤其是BEV、占用网络等模型）的重要数据源，其价值随AI模型发展而 提升。 定位辅助

训练不仅能提升数学任务的性能，还能对其他领域和语言产生正向影响， 展现 了其 广泛的适用性。此外， 该方法具有良好的泛化性和鲁棒性， 在通用基础任务和对齐评估中取得了相当或更优的表现。 强化学习的规模化提升了效率：离线强化学习算法（ DPO ） 和在线强化学习算法（ PPO ） 均能有效增强模型性 能。 Long-COT 强化多模态模型：将 Long-COT 方法应用于多模态大语言模型（ MLLMs ） 可以显著提升其性能，

护，满足业务连续性要 求，减少数据丢失风险，提高管理效率，并降低运营成本。 多云资源效能：面向云原生场景提供资源成本优化和资源精细化管理能力， 包括规格推荐、资源超分、潮汐混部、智能HPA、在离线混部等，满足云原 生架构下不同阶段提升资源利用率的业务诉求，推进降本增效目标的达成。 多云智算管理：在云上，可实现面向 AI 负载（训练、推理、工作流等）场景 进行特殊优化；基于异构的算力、存储、网络和

舰芯片的4 倍。 核心技术1：图像处理核心ISP多模式处理。支持16路高清相机的 接入，每秒处理36亿3曝光像素，12亿单曝光像素的高处理率管道， 每个管道可并行在线处理多路视频，支持在线、离线和混合处理 模式。图像处理：支持HDR处理，符合高动态曝光、低光降、LED 闪烁抑制等车规图像处理要求，适用于自动驾驶相关的多个应用 场景。在图像去噪、低光暗环境、HDR高清成像模块表现较好。