对话更流畅，控车更懂你——超级小爱背后技术解读

小米技术 · 2026-09-10 18:05 · 5 阅读

小米技术 2026-09-10 18:05 北京

日常用车时，你也许遇到过这些场景：出门自驾，行李塞了满满一车；周末郊游，朋友们想在车上打牌；露营的夜晚，想在车上找到最佳的观景休息模式；导航规划到一半，想顺路买点其他东西……

这些关于车内空间的智能编排需求，背后却涉及座椅、空调、灯光、导航、娱乐等多个系统的联动。在小米澎程上，这些复杂的跨系统协作被交给了超级小爱专家模式——你用一句话描述想要的场景，会客厅、休息舱、极致储物间，编排、规划、执行全部由小爱完成。

而让超级小爱真正做到“说一句就搞定”的背后，是两项核心技术的升级：快慢系统和全双工对话。

快慢系统：更智能的分流算法

一次自然流畅的车载对话，要做到两件事：响应要快，结果要对。

很多时候，这两件事却像天平的两端——想让助手“想得更清楚”，就得让它多思考一会，用户会觉得慢；想让助手“回得更快"，跳过深度思考，结果就可能没那么准。

因此我们需要组合两个不同的系统，来解决这个问题。快系统负责快速、直觉和自动化反应，慢系统负责理性、分析和深度思考。

▍把对的请求，送到对的链路

快慢系统的核心思路很朴素：不同复杂度的请求，不该走同一条处理链路。

快系统执行速度快、成本低，承接“打开空调”“音量调大”“导航到公司”这类高频简单请求。慢系统能力强，承接多途经点导航、条件筛选搜索、长程任务编排这类需要深度推理的复杂请求。

快慢系统的目标，就是把每一个请求分发到效率最高的链路上，在满足度、延时、成本之间找到平衡。

同样以“导航”开头，两句话走的却是完全不同的两条路：“导航到公司”语义明确、操作单一，你刚说完指令，路线规划就开始；而“找一个能看见长江的露营地，最好停车免费且附近两公里有商场可以吃饭”，则被智能分流到慢系统，理解模糊语义、筛选多个条件、规划完整行程。

▍更快更准的回复

我们来举个例子，“找一个能看见长江的露营地，最好停车免费，附近两公里有商场可以吃饭” ，这个指令包含了地点周边信息的筛选需求，它需要理解模糊语义、筛选多个条件、调用多个工具才能规划完整的行程。

这种复杂请求，得交给深度思考。为了让复杂请求“想得清楚、又回得快”，这次我们基于 Xiaomi MiMo 模型做了两项关键升级：

第一步，我们做了一个关键调整：把模型从“边想边答”（think模式）切换到了“直接作答”（no-think模式）。这一切换带来了非常显著的响应提速——模型耗时平均下降了约35%。大家的直观的感受是：小爱“利索多了”。但跳过思考，复杂任务的准确度会下降。面对多途经点、条件筛选的导航需求，模型更容易“想岔”或“漏工具”。
第二步，也是关键一步：Xiaomi MiMo 模型引入 RAG-Planning 。就像人在考试时，如果手边有几道类似的例题，就能快速照着做出正确判断。RAG-Planning 在小爱开始处理你的问题之前，先从知识库里检索出几个“类似问题的完整解题思路”，作为示例喂给模型。这样模型不需要从头推理，而是参考类似解法快速做出准确判断——相当于开卷考试，速度和准确率同时提升。

加入 RAG-Planning 之后，小爱的任务完成度和可用率得到了大幅度提升，更重要的是，它守住了速度这条底线：相比之前的 think 版本，端到端耗时依旧保持 no-think 的低时延，最快能快出3到6秒，这在车载场景里，是你能实实在在感知到的差距。

对 Xiaomi MiMo 的这一轮优化，让小爱用 no-think 的速度，做到了 think 模式的准确度。

全双工对话：边听边说的自然交流

你正让小爱“导航去东湖落雁景区”，话没说完又插一句“空调调到24度”。小爱先立刻执行空调，等这句播完，它记着导航还没完成，接着补上路线规划。

这一次超级小爱全双工升级，我们把拒识、判停和打断放进同一个控制模块里统一决策，让小爱持续感知车内对话状态，同步判断三件事：你是不是想和它说话、你有没有说完、此刻要不要中断播报。

小爱的对话能力从“听完再说”变成“边听边说”——小爱在回复你的同时也在持续倾听，你随时可以插话打断。说完它接着干，对话节奏更接近人与人之间的自然交流。

▍多轮对话

一次长途出行，你可能和小爱聊了几十轮：先规划去露营地的路线，中途改目的地，又问了沿途天气，调了空调，最后让它推荐附近餐厅。每一轮对话都会把车内状态、工具调用、任务进度堆进上下文，Token 轻松突破十万级。

上下文越长，对模型的挑战越大——容易被无关信息带偏，响应速度也会变慢。我们基于 Xiaomi MiMo 进一步优化，设计了三级 Session 压缩体系，给上下文进行“瘦身”：

第一级，清掉过时状态。空调温度、车窗开关这些信息每秒都在变，默认清空这些历史轮的快照。
第二级，只留当前任务相关的。正在规划导航，之前聊音乐的就精简掉；太长就从最旧的删，最近几轮一定保住。
第三级，超长对话做摘要。聊到上百轮时，把历史归纳成摘要，只留你的偏好这类长期有用的信息。

三级整理下来，上下文的 Token 量下降 60%—86% ，而业务表现和合规率不降反升——就像一个记性好的副驾，不会因为聊了一路就忘了你最初要去哪，反而因为只记重点，回答得更专注、更准确。

▍打断接续能力

打断，本来就是自然对话的一部分。人和人聊天时一句话被打断、稍后再补，大家都能自然接上。但过去的人机对话里，打断往往意味着上一件事就这么没了。

为了让打断后的交互更自然顺畅，小爱优化了打断接续的判断逻辑，区分不同场景精准处理，让判停更准确：

播报被打断：如果只是播报类内容说了一半（如新闻、天气），信息已经完整，就不用接着往下念。
任务被打断：如果正在执行的任务被打断（如导航还在规划），事情没做完，就会接着完成。
误打断：如果是环境噪音导致的误触发，其实你没说话，它会自动回到刚才的任务上。
快抢慢重发：如果新指令已经被快速响应，而旧的后台任务还在处理，会根据实际情况判断要不要继续。

判断的核心标准很简单：看最终交付的是「动作」还是「信息」。如果打断让你 “少做了一件事”，就继续做完；如果只是 “少听了一段话”，就到此为止。

你在表述时，它会结合语义完整性、说话节奏和对话上下文一起判断你是否说完，支持边想边说、中途自然停顿，小爱不会贸然抢话。播报过程中持续监听并识别有效人机请求，确认你是在对它说话后，就立刻停下播报、把话语权交还给你。而当你和同行人聊天、车内有噪音或咳嗽声时，它会安静地不打扰 —— 听得懂你什么时候在叫它，也分得清什么时候该安静。