vivo 发布端云大模型矩阵与系统级 Harness 平台
vivo 用端云模型矩阵加系统级 Harness，让手机 AI 从单点问答走向能跨 App 办事、记得住人的个人助理。
可真要接着往下办，事情立刻复杂起来：航班要不要改签、酒店会不会受影响、明早的会还能不能赶上，一堆任务等着解决。更麻烦的是，它未必记得你的习惯——愿不愿意坐凌晨航班、在不在意多花几百块。模型能力一路涨、Benchmark 越卷越高，手机上的体验却没有自动跟着变好。
正文摘录
但真要继续往下处理，事情立刻复杂起来：转机要不要改、酒店会不会受影响、明早的会议还能不能赶上，一箩筐任务需要解决。 更麻烦的是，它还未必记得你的习惯：你愿不愿意坐凌晨的航班、在不在意多花几百块、第二天那场会到底能不能迟到。 于是我们会发现如今的 AI，好像什么都会一点，但真遇到事情，最后经常还是得自己动手。 模型能力一路上涨，Benchmark 卷得飞起，但手机端体验却并没有随着模型变强自动升级。 它还得在用户授权和隐私保护的前提下，看懂你此刻发生了什么，记得此前发生过什么，再调动合适的模型、上下文、App 和服务，把后面的事情一环接一环做完。 到了这一步，手机面对的已经不只是一道模型能力题，而是一道关于感知、记忆、调度、执行和协同的系统题。 就在刚刚结束的 2026 vivo 开发者大会（后简称 VDC）人工智能分会场上，vivo 给出的技术路径，也恰好切中了这一轮个人智能落地的核心命题： Counterpoint Research 预测，今年生成式 AI 手机出货占比将达到 45%，去年这一数字还是 36%。 屏幕里正在看的内容、相册、位置、应用使用习惯、长期积累的个人信息，都天然围绕这块几英寸的屏幕发生。 复杂推理和长链路任务需要更强的模型，却伴随着更高成本和响应时间；本地小模型足够快、足够轻，能力上限又更早出现，更麻烦的是，一项真实任务经常横跨两端。 计算任务越来越复杂之后，单靠 CPU 承担所有工作，很快撞上功耗、效率和性能的天花板。 CPU 负责通用控制，GPU 接管并行计算，NPU 专门处理 AI，ISP 则负责图像，系统根据任务不同，把计算动态分配给最合适的单元。 相较于大多数大模型厂商不断训练一个更强更通用的 AI 而言，vivo 更关心的是，如何给每个人在手机上组织出一套属于自己的 AI。