导读
破解自动驾驶“三大核心瓶颈”！传统模块化“感知-决策-动作”系统存在误差传播、泛化性弱，Vision-Action（VA）模型则面临黑箱决策、缺乏推理能力的痛点。世界Bench团队联合多家高校提出VLA（Vision-Language-Action）模型体系，实现四重关键突破：
①融合视觉、语言、动作三大模态，赋予驾驶系统推理与解释能力；
②构建“端到端VLA+双系统VLA”两大核心范式，平衡实时性与安全性；
③支持文本/数值/控制信号等多类型动作输出，适配不同应用场景；
④配套完善数据集与基准，覆盖开环/闭环全维度评估。
该体系让自动驾驶从“数据驱动”迈向“推理驱动”，为可解释、强泛化、人机协同的驾驶系统提供了完整技术框架。
📷 图1 | VLA模型分类框架（论文核心架构）本研究旨在为自动驾驶的VLA范式提供一个结构化路线图。首先介绍初步基础（第2节），其中将正式阐述VLA模型的通用公式，并详细说明其三个核心组件：多模态输入方式、VLM主干网络和动作预测头。然后，我们将追溯从VA模型（第3节）到VLA模型（第4节）的演变过程，VA模型直接将感知映射到控制，而VLA模型则融入了基于语言的推理和可解释的决策。我们进一步将VLA架构分为两大范式——端到端VLA（第4.1节）和双系统VLA（第4.2节），这两
