70%稳定通过率夺冠，小米车载智能体靠一套"经验库"拿下双奖

全球顶级AI学术会议IJCAI-ECAI 2026的官方竞赛里，一支由中国高校和企业组成的队伍，在车载语音助手赛道拿下了开放赛道第一名，还顺手捧走了两项大奖。这支名为Darwin Agent的团队，由小米联合南京大学、清华大学的研究者组成，他们自研的TRACE方法，以70%的稳定通过率击败了包括宝马集团、英国阿兰·图灵研究所等机构在内的多支队伍。

比赛结果公布时，很多人第一反应是：车载语音助手这种"老话题"，还能玩出什么新花样？但仔细看比赛规则会发现，这次考的根本不是"谁更会聊天"，而是"谁更靠谱"——同一个任务重复做三遍，看你是不是每次都能做对。

车载智能体，难的不是"会做"而是"稳"

随着大模型和智能终端的发展，语音助手正从简单的指令执行工具，变成能理解场景、调用工具、自主决策的智能体。但在智能汽车加速普及的今天，车载语音助手真正难的，从来不只是"能不能把事情做完"，而是能不能在复杂、模糊甚至能力受限的情况下，依然做出正确且稳妥的判断。

举个比赛里的例子：夜间驾驶时，用户说"请帮我打开车灯"，如果语音助手没识别车辆当前灯光状态，也没确认用户要的是哪种灯，直接开了近光灯就回复"已完成"，结果可能跟用户真实意图对不上。这种未经确认的直接执行，不仅影响交互体验，还会增加驾驶中的信息核验负担。更严重的是，智能体在信息不足时贸然决策，甚至可能带来安全风险。

这正是CAR-bench Challenge想回答的问题：当智能体遇到做不到、判断不准的情况时，它该怎么应对，才算真正靠谱？

58个真实工具，三类考题专治"装懂"

为了把这个问题考清楚，CAR-bench搭了一个完整的车载座舱模拟环境，里面装了58个真实可调用的工具——导航、车窗、空调、充电、日程一应俱全。比赛分两个赛道：受限赛道只能用指定模型和有限算力；开放赛道则可以自由挑选模型和系统架构，重点考察前沿模型的能力上限和真实部署的稳定性。两个赛道都把"同一个任务重复做三遍、看是不是每次都对"作为核心评分依据。

围绕这个"稳"字，比赛设了三类考题：

• 基础题：指令明确，看智能体能不能按部就班把事做完；
• "明知做不到"的题：故意拿掉完成任务所需的工具，看它是硬着头皮编造调用和结果、假装大功告成，还是老实承认"这个我做不了"；
• "指令模糊"的题：给一条说不清的指令，看它是直接猜一个结果，还是查清楚用户的真实意图。

这三类题，分别考的是智能体能不能做、知不知道自己做不到、会不会在听不懂时先查清楚——恰恰是车载语音助手走向真实部署必须迈过去的坎。

TRACE的三步法：把经验拆成积木，按需取用

面对这三类考题，团队提出了一套叫TRACE（基于轨迹对比的智能体进化）的方法。它的核心思路可以概括成三步。

第一步，把经验拆解为可复用的具体动作，而不是形成大而全的任务攻略。传统方法通常会把经验总结成一套宽泛的任务攻略，但这类攻略往往难以迁移到其他场景。TRACE会先拆解任务目标，把经验细化为一个个具体且可重复使用的操作，比如"打开车窗""打开风扇"，而不是"车内闷了怎么办"这样的一整套方案。这样一来，同一项具体操作就能在导航、空调、媒体等不同任务中被复用。

第二步，通过对比正确与错误的执行过程定位问题，而不是仅依据整体结果判断。只看任务最终是否完成，往往难以发现具体是哪一步出了问题。TRACE会对比同类任务中执行正确和执行错误的过程，定位导致失败的具体原因——是在信息不足时直接执行，还是遗漏了关键规则，又或者是错误声称具备实际不具备的能力。随后，系统把这些分析结果沉淀到经验库中，持续优化。

第三步，根据对话现场按需取用经验，而不是一股脑全塞给模型。每一轮对话，系统都跟着用户当下的需求，只把真正用得上的经验和规则挑出来，需求一变，取用的经验也跟着变。这样既省算力，也让智能体的反应更贴合当下情境。

不重新训练模型，靠"经验库"越用越准

最关键的是，这套方法不需要重新训练模型、也不用改动模型本身，相当于给现成的模型配上了一个会越用越准的经验库。每一次做对，它就把正确做法沉淀成"指导经验"；每一次做错，它就把教训沉淀成"犯错经验"。等新的对话一来，再按当前需要把相关经验取出来用，让车载智能体面对新场景也心里有数。

数据上，TRACE在三次执行中至少有一次正确完成任务的比例约83%；更重要的是，三次均成功完成的稳定通过率达到70%。相比官方参照方案50%的稳定通过率，TRACE提升了20个百分点，最终以70%的成绩拿下开放赛道第一名，同时斩获Rank Award（排名奖）与Innovation Award（创新奖）两项大奖。

从竞赛到真实场景，可靠智能体再进一步

这次比赛真正验证出来的，其实就是三件事：能不能稳定完成任务、能不能在做不到时如实说明、能不能在信息不全时先问清楚再动手。这三件事，恰恰是语音助手、乃至更广泛的人车家全生态里各类智能体场景最需要的能力。

比如，用户在车里随口说一句"有点闷"，系统是该直接把车窗降下来，还是先看一眼车速、车外温度、是不是在下雨，再决定是该开窗还是开空调？用户说"导航去公司"，可地址簿里存着好几个公司地址，系统是该随便挑一个，还是先跟用户确认一下到底去哪个？

这些看似简单的交互，实际考验的是智能体对环境状态、用户意图和自身能力边界的综合判断。相比"能不能完成任务"，真实场景更关注的是能否持续、稳定、准确地完成任务，并在信息不足或能力受限时做出合理响应。

对于小米而言，这类能力与智能座舱、小爱同学及"人车家全生态"中的智能交互场景具有一定关联。TRACE在经验沉淀、动态调用和稳定执行方面的探索，也为后续智能体在真实场景中的可靠性研究提供了新的思路。技术的价值，最终要落到真实的产品体验中——这次竞赛成绩，是对TRACE方法的一次验证，也是小米在智能体可靠性方向上的一次探索。