4月7日，特斯拉向早期体验用户推送了FSD Supervised v14.3。版本号小数点后一位的变动，往往藏着工程师熬夜改写的几十万行代码——这次也不例外。
20%的反应提速，不是靠堆硬件堆出来的。特斯拉重写了AI编译器和运行时架构，用MLIR（多级中间表示）替代了旧方案。这个改动像给神经网络换了条高速公路：当前模型跑得更快，未来更新部署也能抄近道。
但真正让老车主坐直身体的，是发布说明里埋着的三处日常痛点修复。
黄灯、停车线、倒车——三个被吐槽最多的场景
黄灯处理一直是FSD的软肋。复杂路口的倒计时读秒、相邻车道的车速差异、后车跟车距离，变量太多，系统过去常陷入"刹不刹"的犹豫。v14.3的强化学习阶段升级后，视觉编码器对动态环境的3D空间理解更准，决策窗口被压缩到更合理的区间。
停车线前的"二次刹车"问题更扎心。老用户都懂：车已经停在白线后，系统突然再补一脚刹车，后车喇叭立刻响起。这次更新明确提到"应该彻底消失"。
倒车信心的提升则是个微妙信号。FSD Supervised的泊车能力一直被认为保守，v14.3的改动暗示特斯拉开始把城区驾驶积累的感知能力，反向输出到低速场景。
边缘案例的"直觉"从哪来
发布说明里列了一串罕见对象：小动物、路面异物、应急车辆、校车。这些场景的数据采集成本极高——你不能真的撞几只松鼠来训练模型。
特斯拉的解法藏在"强化学习阶段升级"这行字里。传统监督学习靠标注数据喂饱模型，强化学习则让AI在仿真环境里"试错"数百万次，摸索出接近人类直觉的反应策略。低能见度环境下的视觉编码器优化，让这套策略在雨夜、逆光、隧道出口等真实恶例中也能生效。
一个细节：系统对校车的响应被单独列出。美国各州对校车停车臂的法律要求差异极大，FSD需要识别的不仅是车辆本身，还有闪烁的警示灯、伸出的停车臂、对向车道的停车义务——这比识别普通车辆复杂一个数量级。
编译器重写背后的工程赌注
MLIR不是特斯拉的发明，这套框架最初来自LLVM社区。但把整车AI推理管线迁移到新编译器，相当于给飞行中的飞机换引擎。
好处是显性的：20%延迟降低直接对应安全冗余，更快的迭代速度让"每两周一次OTA"成为可能。风险同样真实——编译器层面的bug往往潜伏期更长，早期体验用户某种程度上承担了灰度测试的角色。
目前v14.3仅向Hardware 4车辆的早期体验用户开放。Hardware 3用户还在等待，而发布说明末尾提到的" pothole avoidance（坑洼避让）"和"更智能的驾驶员监控"尚未实装，被标注为"即将推出"。
特斯拉AI团队在社交媒体转发了一条用户反馈："FSD Supervised能比你的反应更快。"配图是系统识别到突发状况瞬间刹停的第一视角视频。评论区有人问：当机器反应确实快过人类时，"监督"模式里的那个"监督"，到底该监督什么？
热门跟贴