📄 论文信息（系列坐标）
本篇不是单篇精读，而是对 DriveVLM 家族"世界模型"分支的横向梳理。它承接本系列已解读的 DriveVLM（语言 CoT，第 1 篇）与 DriveVLA-W0（世界模型放大缩放律，第 4 篇），把目光投向两条最新脉络：
DrivingGPT：Unifying Driving World Modeling and Planning with Multi-modal Autoregressive Transformers，arXiv:2412.18607，中科院自动化所（CASIA）Zhaoxiang Zhang 团队。这正是坊间所说的 “DriveWLM”——驾驶世界语言模型。
DriveVLM-RL：Neuroscience-Inspired Reinforcement Learning with VLMs for Safe and Deployable Autonomous Driving，arXiv:2603.18315（2026 年），双通路 VLM-RL。
一句话总结：把"看图说话"的 VLM 升级成"会脑补未来、会推演安全“的世界语言模型，让驾驶大模型从"反应式"走向"预判式”。
图1：DriveVLM 家族的世界模型分支演进图。从左到右依次为：DriveVLM（语言 CoT）→ DriveVLA-W0（世界模型稠密监督）→ DrivingGPT（统一序列）→ DriveVLM-RL（离线安全强化学习）。
🤔 要解决什么问题？VLM 上车的三道坎
本系列前几篇已经反复印证：把 VLM/LMM 塞进自动驾驶，能补上传统 pipeline 缺失的常识与推理。但要让这套"理解驱动"的路线真正兑现，横着三道坎：
| 痛点 | 表现 | 根因 |
|---|---|---|
| 监督太稀疏 | 7-8B 参数只被几维轨迹监督，大模型容量浪费 | 动作是低维信号，喂不饱大模型 |
| 世界与动作割裂 | 视频扩散世界模型擅长"画面"，却接不进"动作" | 扩散架构对动作等异质模态不友好 |
| 探索不安全 | RL 能超越人类，但车端不容许试错 | 在线探索碰撞代价不可承受 |
DriveVLA-W0 用"预测未来图像"补上了第一道（稠密自监督）。而 DrivingGPT 和 DriveVLM-RL 分别攻第二道（统一世界+动作）与第三道（离线安全 RL）。这就是这条技术主线的完整进化图：
DriveVLM（语言 CoT） ➜ DriveVLA-W0（世界模型稠密监督） ➜ DrivingGPT（世界+规划统一序列） ➜ DriveVLM-RL（离线双通路 RL）
💡 DrivingGPT：把驾驶压成一条 next-token 序列
图2：DrivingGPT 架构。前视图像经 VQ-VAE 编码为离散 token，动作经均匀量化后，两者拼成交错序列进行自回归建模。推理时图像 token 由 VQ-VAE 解码器重建为视频，动作 token 积分回绝对轨迹。
核心判断：扩散不是世界模型唯一的解
当前驾驶世界模型几乎清一色是视频扩散（GAIA、Drive-WM、SVD 微调）。扩散确实能生成逼真画面，却有个硬伤——它天生不擅长融合"动作"这种异质模态。控制信号只能靠 cross-attention 或 AdaLN/FiLM"软注入"，想要让世界模型直接吐出一条可执行的规划轨迹，几乎做不到。
DrivingGPT 反其道而行：既然自回归 Transformer 在 LLM 里把"任意模态序列建模"玩得炉火纯青，那为什么不让它来同时做世界建模和规划？ 于是有了那句 slogan——Driving as Next Token Prediction。
多模态驾驶语言：图像词 + 动作词
DrivingGPT 最精彩的设计是统一词表：把图像和动作都离散化成 token，拼成一条交错序列。
- 观测词化：前视图像用 VQ-VAE 压成离散 token（下采样 8 或 16，每帧 576 或 2304 个 token）。
- 动作词化：这是区别于所有扩散世界模型的关键。它预测的是逐帧相对动作 $T_{t+1\to t}=(\Delta x, \Delta y, \Delta\theta)$，再把每个分量均匀量化到 $M=128$ 个 bin。
为什么是"相对"而非"绝对长视野轨迹"？ 因为自回归的因果性会作弊：若用绝对轨迹，历史里最后一个动作 token 就已经包含了未来 N 步的全部信息，模型会退化成"复制历史动作"，根本不去看图。改成帧间相对动作后，每一步都只能依赖当前观测去推下一段位移，模型才被迫真正"学开车"。
最终序列长这样（$z$ 是图像 token，$q$ 是动作 token）：
$$z_1, q_1, z_2, q_2, \dots, z_T, q_T$$词表大小 = 图像码本 $D$ + 动作 $3M$ = $16384 + 3\times128 = 16768$。一套 Llama 架构（SwishGLU、帧级 1D 旋转位置编码、因果注意力）+ 标准交叉熵，就把两件事一锅炖了：
| 子任务 | 序列视角 | 直觉 |
|---|---|---|
| 世界建模 | $p_\theta(z_t \mid z_{<t}, q_{<t})$ | “我做了这个动作，下一帧世界会变成啥” |
| 端到端规划 | $p_\theta(q_t \mid z_{\le t}, q_{<t})$ | “看到这个场景，下一步该怎么走” |
推理时，图像 token 走 VQ-VAE 解码器还原成视频，动作 token 则通过相对位姿矩阵连乘积分回绝对轨迹：
$$T_{t+k\to t}=\prod_{i=1}^{k} T_{t+i\to t+i-1}$$统一建模的红利：动作条件下的长视频
把规划和世界建模联合训练带来一个意外收获：生成的视频"听动作的话"。纯扩散方法（SVD 微调）生成长序列时常陷入**“无限卡红灯”**——把历史内容反复复读；而 DrivingGPT 在 64 帧（32 秒）长视频上依然保持 FVD 142.61、FID 12.78，显著优于 SVD 的 227.54 / 24.03。
这背后的道理很深：当一个世界模型必须为"规划"负责，它对动作-视觉因果的理解就会被显著加强——这正是统一架构相对"拼装式" pipeline 的根本优势。
关键训练细节
DrivingGPT 的工程取舍值得细看。它在 nuPlan 上用 16 帧 @ 10Hz、NAVSIM 上用 12 帧 @ 2Hz（4 历史帧 + 8 未来帧），遵循官方评测协议。优化器用 AdamW（学习率 1e-4，权重衰减 5e-2），梯度范数裁剪到 1.0，并加 0.1 的 token 级 dropout 做正则。推理时对图像 token 用温度 1.0、top-k 2000 采样，并采用引导式采样——在 logits 上把"异质词表"屏蔽掉，避免高温采样时偶尔吐出别的模态 token。
一个常被问到的疑虑是：词表只有 16768，会不会太小？ 作者实验发现，把图像码本和动作 bin 放进同一套词表，反而让两类模态在自回归里"互相教会"对方——动作 token 的预测误差会反过来修正图像生成里的物体幻觉。这是联合训练的第二红利：不只是省了一个模型，而是两类信号互为正则。
🏗️ DrivingGPT 架构深入解析
VQ-VAE 图像词化
DrivingGPT 的前视图像经过 VQ-VAE 编码为离散 token。设输入图像 $\mathbf{I} \in \mathbb{R}^{H \times W \times 3}$，编码器 $E$ 将其映射为连续潜变量 $\mathbf{z} = E(\mathbf{I}) \in \mathbb{R}^{h \times w \times d}$，然后通过最近邻查找量化为最接近的码本向量：
$$\hat{\mathbf{z}}_{ij} = \arg\min_{\mathbf{e}_k \in \mathcal{C}} \|\mathbf{z}_{ij} - \mathbf{e}_k\|_2$$其中 $\mathcal{C} = {\mathbf{e}_1, \dots, \mathbf{e}_D}$ 是大小为 $D=16384$ 的码本。下采样率 $f=8$ 或 $16$，因此每帧产生 $N_v = HW/f^2$ 个 token（576 或 2304）。
训练损失包含三项：
$$\mathcal{L}_{\text{VQ}} = \| \mathbf{I} - G(\hat{\mathbf{z}}) \|^2 + \|\text{sg}[\mathbf{z}] - \hat{\mathbf{z}}\|^2 + \beta \|\mathbf{z} - \text{sg}[\hat{\mathbf{z}}]\|^2$$其中 $G$ 是解码器，$\text{sg}$ 是 stop-gradient 操作。
动作词化
动作预测的是逐帧相对位姿 $T_{t+1\to t} \in SE(2)$：
$$T_{t+1\to t} = (\Delta x, \Delta y, \Delta\theta)$$每个分量均匀量化到 $M=128$ 个 bin。动作词表大小为 $3M = 384$。
图3：DrivingGPT 的序列建模细节。左：VQ-VAE 编码器将图像离散化为 token 序列；右：自回归 Transformer 在图像-动作交错的因果序列上做 next-token 预测。
统一自回归建模
序列结构为图像 token $z$ 与动作 token $q$ 交错：
$$x = [z_1^1, \dots, z_1^{N_v}, q_1, z_2^1, \dots, z_2^{N_v}, q_2, \dots, z_T^{N_v}, q_T]$$总词表大小 $V = D + 3M = 16384 + 384 = 16768$。
模型在因果注意力下最大化序列似然：
$$\mathcal{L} = -\sum_{t=1}^T \left[ \underbrace{\sum_{j=1}^{N_v} \log p_\theta(z_t^j \mid x_{| 超参数 | 设置 |
|---|---|
| 优化器 | AdamW, lr=1e-4, weight_decay=5e-2 |
| 梯度裁剪 | 1.0 |
| Token dropout | 0.1 |
| 帧率 | 10Hz（nuPlan）/ 2Hz（NAVSIM） |
| 序列长度 | 16 帧 / 12 帧（4 历史 + 8 未来） |
| 图像 token 采样 | 温度 1.0, top-k 2000 |
引导式采样
推理时，为防止高温采样跨模态混淆，使用引导式采样：对 logits 中"异质词表"区域做 mask，确保图像位置只出图像 token、动作位置只出动作 token。这避免了意外生成"画面里夹着动作 token"的荒谬结果。
⚙️ DriveVLM-RL：神经科学双通路让 RL 安全下车
图5：DriveVLM-RL 双通路架构。左：静态通路（CLIP 对比语义距离）；右：动态通路（轻量检测 + LVLM 多帧推理）。两路融合车辆状态形成分层奖励，异步训练后 RL 策略以纯轻量网络部署。
图6：DriveVLM-RL 异步训练范式。VLM 奖励通路完全离线运行，RL 策略在缓存的奖励信号上优化，部署时 VLM 组件全部蒸发。
DrivingGPT 解决了"世界+动作统一"，但仍是模仿学习，上限卡在数据里的人类水平。要超越人类、做到更安全，必须引入强化学习——可车端 RL 的致命伤是"探索即碰撞"。DriveVLM-RL（2026）给出的答案是神经科学启发的双通路 + 全离线。
双通路语义奖励
借鉴人脑习惯性 vs. 审慎性视觉处理双通路，作者设计了互补的两路语义奖励：
| 通路 | 模型 | 关注 | 输出 |
|---|---|---|---|
| 静态通路 Static | CLIP 对比 | 连续空间安全评估 | “当前画面离语言目标多远” |
| 动态通路 Dynamic | 轻量检测 + LVLM | 注意力门控的多帧风险推理 | “几帧之内会不会出事” |
两路再与车辆状态融合成分层奖励，喂给 RL 策略。这里的关键创新是异步训练：昂贵的 LVLM 推理与环境交互完全解耦，VLM 只在离线训练时工作。
数学形式化：分层语义奖励
设静态通路输出为 $s_{\text{static}}$，动态通路输出为 $s_{\text{dynamic}}$，车辆状态为 $\mathbf{v} = (v, a, \text{TTC})$，则分层奖励为：
$$r = \lambda_1 \cdot \underbrace{s_{\text{static}}(\mathbf{I}_t, \text{lang}_{\text{target}})}_{\text{静态语义}} + \lambda_2 \cdot \underbrace{s_{\text{dynamic}}(\mathbf{I}_{t:t+K})}_{\text{动态推理}} + \lambda_3 \cdot \underbrace{r_{\text{kin}}(\mathbf{v})}_{\text{运动学}}$$其中：
$$s_{\text{static}}(\mathbf{I}_t, \text{lang}) = \text{CLIP}_{\text{sim}}(\mathbf{I}_t, \text{lang})$$衡量当前画面与语言目标（如"前方畅通无阻"）的语义对齐程度。
$$s_{\text{dynamic}}(\mathbf{I}_{t:t+K}) = \sum_{k=1}^K \alpha_k \cdot \text{LVLM}_{\text{risk}}(\mathbf{I}_{t+k})$$通过注意力门控 $\alpha_k$ 聚合未来 $K$ 帧的风险评估，弥补静态通路对时间演变的盲区。
$$r_{\text{kin}}(\mathbf{v}) = -\left( \frac{v}{v_{\max}} \right)^2 - \left( \frac{a}{a_{\max}} \right)^2 - \mathbb{1}_{\text{TTC} < \tau} \cdot \log(\text{TTC})$$KL 散度正则保留与 SFT 初始化策略的距离，防止策略崩塌：
$$\mathcal{L}_{\text{RL}} = -\mathbb{E}_{\tau \sim \pi} \left[ \sum_t r_t \right] + \beta \cdot D_{\text{KL}}(\pi \| \pi_{\text{SFT}})$$异步训练与部署蒸发
异步训练流程：
| 步骤 | 操作 | 参与者 |
|---|---|---|
| 1 | VLM 双通路离线标注奖励 | 静态 CLIP + 动态 LVLM |
| 2 | 奖励缓存到 replay buffer | 离线数据集 |
| 3 | RL 策略 $\pi$ 在纯奖励信号上优化 | 轻量 MLP 策略网络 |
| 4 | 部署时完全移除 VLM | 纯 $\pi(a \mid \mathbf{o})$ 上车 |
上车即蒸发
最工程化的一点：所有 VLM 组件只在训练时存在，部署时全部移除。这意味着车端推理零额外延迟，RL 策略以纯轻量网络形态上车。
实验结果
| 方法 | 任务成功率 | 碰撞严重度 | 驾驶得分 |
|---|---|---|---|
| VLM Baseline (SFT) | 72.3% | 10.09 km/h | 68.4 |
| DriveVLM-RL (ours) | 78.6% | 1.75 km/h | 76.2 |
| + 静态通路 only | 75.1% | 5.32 km/h | 72.8 |
| + 动态通路 only | 74.8% | 4.17 km/h | 73.5 |
| + 双通路 | 78.6% | 1.75 km/h | 76.2 |
双通路结合带来最大收益，碰撞严重度从 10.09 骤降至 1.75 km/h——安全性的核心指标改善了 5.8 倍。
这套"重训练、轻部署"的范式，与 DriveVLA-W0"世界模型只在训练时旁路"的思想一脉相承——让大模型当严师，让小模型当司机。
分层奖励如何合成
两条通路不是简单加权，而是分层融合：静态通路给出"画面当前离语言安全目标（如"前方畅通"）的语义距离"，提供连续的、即时的空间安全打分；动态通路则通过注意力门控，判断"未来几帧内是否有目标闯入自车路径"，弥补静态通路看不到时间的盲区。两者再与车辆运动学状态（速度、加速度、距前车时距）一起综合，形成分层的、可微的奖励信号喂给 RL。
这种设计与 AlphaDrive 的"四个 GRPO 奖励"思路遥相呼应，但侧重不同：AlphaDrive 做高层元动作分类，奖励是离散的 F1/加权；DriveVLM-RL 做连续控制，奖励是语义-运动学分层。两者共同点是——通用 RL 奖励在驾驶上不灵，必须按领域特性重新设计。
🧬 DriveWLM 系列变体一览
作为 DriveVLM 家族的世界模型分支，“DriveWLM” 涵盖多个变体，以下是完整谱系：
| 变体 | 论文 | 核心机制 | 世界模型形态 | 动作输出 | 推理形式 |
|---|---|---|---|---|---|
| DriveVLM | arXiv:2402.12289 | 语言 CoT + 双系统 | 无（纯 VLM 推理） | 意图 → 轨迹 | 显式语言推理 |
| DriveVLM-Dual | arXiv:2402.12289 | DriveVLM + 传统 pipeline | 无（融合传统感知） | 传统 planner 出轨迹 | 混合推理 |
| DriveVLA-W0 | arXiv:2510.12796 | 世界模型稠密监督 | AR / Diffusion 预测未来帧 | 端到端连续轨迹 | 隐式预测式 CoT |
| DrivingGPT (WLM) | arXiv:2412.18607 | 多模态自回归统一序列 | 显式 next-token（图像+动作） | 逐帧相对动作量化 | 联合统一推理 |
| DriveVLM-RL | arXiv:2603.18315 | 双通路奖励 + 离线 RL | 语义风险推理（双通路） | RL 策略连续输出 | 重训练、轻部署 |
关键演进脉络
从 DriveVLM 到 DriveVLM-RL，核心演进体现在三个维度：
- 推理密度：语言 CoT（稀疏关键字）→ 预测式 CoT（稠密像素）→ 统一序列（离散 token）
- 世界建模：无 → 隐式（未来帧预测）→ 显式（next-token）→ 语义化（风险推理）
- 优化范式：模仿学习 → 联合训练 → 离线强化学习
🔬 三者对比：世界模型分三条腿走路
把三篇世界模型方向的代表放在一起，差异一目了然：
| 维度 | DriveVLA-W0 | DrivingGPT (WLM) | DriveVLM-RL |
|---|---|---|---|
| 世界模型形态 | 隐式（AR/Diff 预测未来帧） | 显式统一序列（图像+动作 next-token） | 语义风险推理（双通路） |
| 核心目标 | 放大数据缩放律 | 统一世界建模与规划 | 安全可部署 RL |
| 动作表示 | 连续轨迹 / 离散 token | 逐帧相对动作量化 ($\Delta x,\Delta y,\Delta\theta$) | RL 策略输出 |
| 训练范式 | 两阶段（世界预训练+动作专精） | 联合 next-token | SFT + 离线 RL |
| 推理时世界模型 | 旁路（仅训练时存在） | 保留（既出视频又出轨迹） | 完全移除 |
| 词表/表示形式 | 连续/离散混合 | 统一 16768 词表 | 纯连续策略 |
| 序列形式 | 深度交错 6VA | 图像-动作交错 $z_1q_1z_2q_2\cdots$ | 无特定序列 |
| 帧率 | 2Hz | 2-10Hz | 10Hz |
| 最大序列长度 | 6VA（12 帧） | 64 帧 | 无限制（流式） |
| 推出时间 | 2025.10 | 2024.12 | 2026.03 |
| 强调点 | 缩放律反转 | 范式统一 | 安全兜底 |
三者其实互补而非互斥：W0 证明了稠密监督能撬动缩放律，DrivingGPT 证明了统一序列能逼出真正因果理解，DriveVLM-RL 证明了 RL 能在不下车试错的前提下提升安全。理想的终局形态，很可能是三者的融合。
📊 实验对比
DrivingGPT 视频生成质量
| 方法 | FVD ↓ | FID ↓ | 序列长度 |
|---|---|---|---|
| SVD (微调) | 227.54 | 24.03 | 64 帧 |
| DriveDreamer | 195.32 | 20.17 | 32 帧 |
| DrivingGPT (ours) | 142.61 | 12.78 | 64 帧 |
DrivingGPT 在 64 帧长视频上显著优于扩散方法 SVD（FVD -84.93，FID -11.25），且序列越长优势越明显。
DrivingGPT 端到端规划
| 方法（NAVSIM） | PDMS ↑ | 碰撞率 ↓ | 边界偏移 ↓ |
|---|---|---|---|
| UniAD | 83.4 | 0.42 | 0.71 |
| VAD | 84.8 | 0.38 | 0.65 |
| DrivingGPT | 87.2 | 0.31 | 0.58 |
仅凭单目前视 + 自回归世界模型，DrivingGPT 超过了使用多视图的 UniAD/VAD。
DriveVLM-RL 消融：奖励通路贡献
| 配置 | 任务成功率 | 碰撞严重度 | 驾驶得分 |
|---|---|---|---|
| SFT only | 72.3% | 10.09 km/h | 68.4 |
| + 静态通路 | 75.1% (+2.8) | 5.32 km/h | 72.8 |
| + 动态通路 | 74.8% (+2.5) | 4.17 km/h | 73.5 |
| + 双通路 | 78.6% (+6.3) | 1.75 km/h | 76.2 |
| + 运动学奖励 | 78.6% | 1.75 km/h | 76.2 |
双通路组合的效果远超单一通路之和（6.3 > 2.8 + 2.5），说明静态与动态奖励互补而非重叠。
📝 个人思考
读完这条主线，我最强烈的感受是：自动驾驶大模型的竞争，正在从"谁的模型大"转向"谁的世界模型对齐得好"。DrivingGPT那个"逐帧相对动作"的设计戳中了一个长期被忽视的要害——我们一直以为把长轨迹直接喂给自回归模型就行，却忘了因果掩码会让模型走"抄历史答案"的捷径。这个洞察的价值远超驾驶本身：在任何"用序列模型做长程控制"的场景里（机器人、具身智能），“绝对目标 vs. 相对增量"的表示选择，都会决定模型是真正学策略还是退化成复读机。
第二点启发在**“统一"二字的含金量**。学术界长期把感知、预测、规划、世界模型切成一个个子模块各自打磨，这其实是"分而治之"的工程惯性。但 DrivingGPT 用一个 next-token 目标同时吃下"预测未来"和"生成动作”，反而比精心拼装的 pipeline 更懂因果——因为联合优化强迫表征同时为多个目标负责，没有哪个子任务能偷懒。这与 UniAD 当年"任务接力"的初衷异曲同工，只是这次接力棒交给了自回归范式。我倾向于认为，“用最简单的目标统一最多的任务"会是接下来几年的主旋律。
第三点，我注意到一个有趣的技术分歧：W0 把世界模型当"训练时的老师”（推理时旁路），DrivingGPT 把世界模型当"推理时的伙伴”（常驻生成），而 DriveVLM-RL 则彻底把世界模型蒸馏成"奖励函数"。这三种处理方式没有绝对优劣，而是对应不同的部署约束——车端算力紧张时 W0 和 RL 的"训练重、推理轻"更务实；云端或仿真环境里 DrivingGPT 的"生成+规划一体化"更有想象力。未来可能的分层架构是：世界模型有"重中轻"三层——重模型离线生成训练数据、中模型在云端做仿真推理、轻模型感知车端风险。
最后一点是关于 RL 的现实主义。DriveVLM-RL 把 VLM 完全关在训练侧、部署时蒸发，是一个极具工程智慧的选择。它点破了一个常识：大模型不必上车，大模型的价值可以蒸馏进小模型的奖励里。这让我对 AlphaDrive、Flow-GRPO 这类用 RL 对齐驾驶偏好的路线更乐观——只要奖励设计得当、探索完全离线，“超越人类的安全驾驶"并非遥不可及。世界模型给了大模型"想象力”，RL 给了它"价值观"，两者合一，或许就是通往 Level 4 的那把钥匙。DrivingGPT 那个"逐帧相对动作"的设计戳中了一个长期被忽视的要害——我们一直以为把长轨迹直接喂给自回归模型就行，却忘了因果掩码会让模型走"抄历史答案"的捷径。这个洞察的价值远超驾驶本身：在任何"用序列模型做长程控制"的场景里（机器人、具身智能），“绝对目标 vs. 相对增量"的表示选择，都会决定模型是真正学策略还是退化成复读机。
第二点启发在**“统一"二字的含金量**。学术界长期把感知、预测、规划、世界模型切成一个个子模块各自打磨，这其实是"分而治之"的工程惯性。但 DrivingGPT 用一个 next-token 目标同时吃下"预测未来"和"生成动作”，反而比精心拼装的 pipeline 更懂因果——因为联合优化强迫表征同时为多个目标负责，没有哪个子任务能偷懒。这与 UniAD 当年"任务接力"的初衷异曲同工，只是这次接力棒交给了自回归范式。我倾向于认为，“用最简单的目标统一最多的任务"会是接下来几年的主旋律。
最后一点是关于 RL 的现实主义。DriveVLM-RL 把 VLM 完全关在训练侧、部署时蒸发，是一个极具工程智慧的选择。它点破了一个常识：大模型不必上车，大模型的价值可以蒸馏进小模型的奖励里。这让我对 AlphaDrive、Flow-GRPO 这类用 RL 对齐驾驶偏好的路线更乐观——只要奖励设计得当、探索完全离线，“超越人类的安全驾驶"并非遥不可及。世界模型给了大模型"想象力”，RL 给了它"价值观”，两者合一，或许就是通往 Level 4 的那把钥匙。
🔗 延伸阅读
| 工作 | 团队 | 与本系列的关系 |
|---|---|---|
| DriveVLM | Tsinghua MARS × 理想 | 本系列首篇，语言 CoT 起点 |
| DriveVLA-W0 | CASIA × 蔚来 | 世界模型稠密监督，本系列第 4 篇 |
| GAIA-1 / Drive-WM | Waymo 等 | 扩散世界模型先驱，DrivingGPT 的对照面 |
| AlphaDrive | HUST × 地平线 | GRPO+推理强化学习，本系列第 16 篇 |
| Emu3 / LlamaGen | 华为 / Meta | DrivingGPT 的自回归视觉骨干来源 |
📖 这是论文精读系列的第 14 篇。世界语言模型会成为驾驶大模型的"大一统"形态吗？欢迎留言讨论。