Pada tingkat pelatihan model, Xpeng VLA 2.0 dapat langsung memanfaatkan data video berkendara nyata dalam jumlah masif tanpa memerlukan pelabelan data (data annotation).
Total data pelatihan untuk VLA 2.0 mencapai hampir 100 juta cuplikan, setara dengan pengalaman mengemudi ekstrem yang dialami pengemudi manusia selama 65.000 tahun.
Penerapan xpeng VLA 2.0 ke kendaraan nyata merupakan tantangan besar dalam kolaborasi perangkat lunak dan keras, serta rekayasa implementasi tingkat tinggi. Untuk mencapai produksi massal model ini di kendaraan, Xpeng mengembangkan ulang kompiler dan tumpukan perangkat lunak (software stack) yang dioptimalkan khusus untuk chip Turing AI.
Melalui optimasi menyeluruh dari rantai “chip–operator–model”, XPENG berhasil memasang model VLA 2.0 dengan skala parameter miliaran pada model Ultra dengan daya komputasi 2250 TOPS, sementara model industri lain umumnya hanya memiliki parameter puluhan juta pada perangkat kendaraan.
Berdasarkan VLA 2.0, Xpeng memperkenalkan fitur baru bernama “Narrow Road NGP”, yang secara signifikan meningkatkan kinerja mengemudi cerdas di jalan sempit dan lingkungan lalu lintas campuran, dengan jarak rata-rata antar pengambilalihan (MPI) meningkat 13 kali lipat pada kondisi jalan yang kompleks.
Selama pengujian, VLA 2.0 menunjukkan kemampuan baru yang belum pernah dilatih, seperti mengenali gerakan tangan (hand gestures) dan merespons perubahan lampu lalu lintas secara proaktif, serta menangani kondisi jalan yang rumit dengan mudah.