SpanVLA: 让自动驾驶模型不仅学会“如何开车”，更学会“如何止损”

TL;DR

端到端自动驾驶 VLA 模型虽然推理能力强，但“反应慢”（高延迟）且“没见过世面”（缺乏鲁棒性）。SpanVLA 通过两个大招解决了这些问题：一是利用 Flow-matching 动作专家替代了龟速的自回归解码；二是引入了行业首个包含真实负向接管数据的 mReasoning 数据集，通过 GRPO 强化学习，让模型学会从错误中恢复。

1. 痛点：自回归的“龟速”与纯正样本的“天真”

在自动驾驶中，VLA（Vision-Language-Action）模型通过类似 GPT 的思维链（CoT）来理解场景，这极大地提升了处理复杂路况的能力。然而，它们面临两个现实瓶颈：

• Linear Latency: 传统模型一个 Token 一个 Token 地蹦轨迹点。预测 5 秒的轨迹可能需要几十个 Token，延迟高达数秒，直接导致车还没动，路况已变。
• Imitation Blindness: 模仿阶段只看“老司机”怎么开，但模型在实际部署时一旦进入非专家分布的区域（Out-of-Distribution），由于没学过如何从偏离中恢复，往往会导致崩溃。

2. 核心架构：快速联动的“双脑驱动”

SpanVLA 并没有完全抛弃 VLM，而是采用了一种类似“大脑思维+小脑反射”的架构。

2.1 高效动作桥接 (Efficient Action Bridging)

作者没有直接让 VLM 输出轨迹坐标，而是通过一个轻量级的 Transformer 堆栈从 VLM 的 KV Cache 中提取特征。

• 历史初始化 (HI)：不同于传统的扩散模型从纯噪声中找规律，SpanVLA 取了历史 1.5 秒的轨迹作为起点，学习到未来轨迹的“流”转换。
• Flow-matching：利用更高效的流匹配算法，仅需 5 步采样即可生成高质量轨迹。

3. 进化：从“反面教材”中学习 (Learning from Failure)

这是本文最惊艳的部分。作者提出了 mReasoning 数据集，包含 3K 对“负向-恢复”样本。这些数据记录了车开坏了（负向行为）以及人类接管后如何修正（恢复行为）。

3.1 基于 GRPO 的奖励建模

利用 DeepSeek 曾火出圈的 GRPO（Group Relative Policy Optimization）算法，模型会对生成的轨迹组进行对比：

• 负向惩罚：如果模型想走老路（靠近负向样本），重罚。
• 恢复奖励：如果模型能像专家接管后那样把车拉回来，重赏。

4. 实验战绩：速度与稳健的双重飞跃

实验结果证明了这种方法的显著性：

• 推理加速：在 50 个航点（Waypoints）的生成任务中，SpanVLA 的延迟仅为 0.67s，而对比模型 AutoVLA 需要 2.57s，效率提升近 4 倍。
• 性能领先：在 NAVSIM v1/v2 榜单上全面超越了 TransFuser, Hydra-MDP 等经典模型。

定性分析展示：经过 RFT（强化微调）后的模型，在遇到施工区域变道不决时，能够比单纯 SFT 的模型更早、更果断地做出决策，并能正确处理“借道行驶”后的归位动作。

5. 专家点评与展望

SpanVLA 的核心价值在于它承认了端到端模型无法通过“纯正向学习”解决鲁棒性问题。mReasoning 数据集填补了行业空白。

局限性：尽管已经提速，但单次推理 1.5 Hz 的频率在真实自动驾驶中仍显不足（通常需要 10Hz+）。未来的研究重心或将转向针对 Flow-matching 桥接模块的硬件级算子优化（如 TensorRT 集成）。

Takeaway：未来的自动驾驶不再仅仅是模仿专家，更是要在错误与修正的反馈循环中完成进化。