知识点 › 模型训练
VLA / 多模态大模型
VLA
定义
视觉-语言-动作模型：用自然语言描述场景与意图，输出驾驶决策。优势是可解释、可用语言监督、能处理「没见过但能描述」的场景；代价是推理延迟与数据要求。
关键要点
- 训练数据需要「场景描述 + 决策理由」，这类标注只能靠大模型自动生成 + 人审
- 车端部署要蒸馏/量化到可接受延迟（百毫秒级）
- 对闭环的影响：数据从「框」变成「问答对」，标注形态彻底改变
面试怎么答
讲「语言监督带来的可解释性」与「延迟/数据成本」的权衡。
知识点 › 模型训练
VLA
视觉-语言-动作模型：用自然语言描述场景与意图，输出驾驶决策。优势是可解释、可用语言监督、能处理「没见过但能描述」的场景；代价是推理延迟与数据要求。