[CVPR 2026] DynVLA：超越文本逻辑，用“解耦动力学”重塑自动驾驶思维链

TL;DR

DynVLA 提出了一种全新的 Dynamics CoT 范式，它不再让模型在生成动作前“说废话”（Textual CoT）或者“画画”（Visual CoT），而是让模型先生成极简的、物理意义明确的动力学 Token。通过解耦自车与环境的运动状态，DynVLA 实现了极高的推理效率与安全性。

关键战绩：

• 性能 SOTA：NAVSIM 指标 PDMS 91.7，Bench2Drive 驾驶得分 88.34。
• 推理奇快：延迟仅 0.37s，是传统 Visual CoT 方法的 1/6。

1. 痛点深挖：为什么之前的 CoT 不够好？

在端到端自动驾驶（E2E AD）中，让模型“先思考再行动”已成共识。但目前的思维链（CoT）存在两大流派的硬伤：

1. Textual CoT (语言流)：用文字描述“前方有车，我要减速”。这虽然增加了可解释性，但文字是离散且粗粒度的，无法表达精细的物理世界轨迹对比，对避障等长尾场景（Safety-critical）帮助有限。
2. Visual CoT (视觉流)：先预测未来 2 秒的视频帧，再决定怎么开。这种方法虽然时空感知强，但“画图”太重了！模型会浪费大量算力在预测路边草坪的纹理或云朵的移动上，而这些与决策无关。

DynVLA 的直觉 (Insight)：我们需要一种紧凑的、纯物理的中间表达——即“世界动力学（World Dynamics）”。它只需要几个 Token，就能告诉模型：路是往哪转的，旁边的车大概怎么走。

2. 核心架构：Dynamics Tokenizer 的解耦艺术

DynVLA 的核心贡献在于其 Dynamics Tokenizer，它不再盲目压缩图像，而是通过以下三个精妙设计提取“纯净”的动力学：

A. 自车与环境的显式解耦 (Decoupling)

驾驶场景的复杂性在于：画面变化可能是因为你在开（自车动力学），也可能是因为路人在跑（环境动力学）。DynVLA 引入了 Q_ego 和 Q_env 两组 Query，并增加了一个物理正则化项：用自车动力学 Token 必须能重建出真实的控制动作（GT Action）。这强制模型把自己的运动和环境的运动分离开来，避免了“分不清是谁在动”的物理歧义。

B. 跨视图一致性 (Cross-view Consistency)

模型不仅要能重建下一时刻的图像（Image），还要能重建俯视图（BEV）。这保证了所学习到的动力学 Token 具有真正的语义一致性，而不是简单的像素平移。

C. 结构化序列 SFT & RFT

在生成环节，模型遵循：[BOD] -> 动力学 Token -> [EOD] -> [BOA] -> 动作 Token。 不仅通过监督微调（SFT）学习人类经验，还引入了 GRPO (Group Relative Policy Optimization) 进行增强学习（RFT），直接优化轨迹安全性评分（PDMS），确保模型生成的推理不仅“合理”而且“安全”。

3. 实验结果：速度与质量的双重飞跃

性能对垒

在 NAVSIM 榜单上，DynVLA 以 91.7 的高分领跑，显著优于传统的端到端方法（如 UniAD, VADv2）以及其他 VLA 基准（如 DriveVLA-W0）。更重要的是，它在处理交互场景时展现出了极强的自适应能力。

效率革命

相比于 Visual CoT 动辄 2 秒以上的延迟，DynVLA 将延迟降至 0.37 秒。这意味着它具备了在真实车辆上进行实时部署的潜力，真正解决了 VLA 模型“想太久”的问题。

4. 深度洞察：动力学 Token 到底学到了什么？

作者做了一个非常硬核的实验：动力学迁移 (Transferability)。 把场景 A 中由于“前车急刹”生成的动力学 Token，强行喂给场景 B 的模型。结果发现：场景 B 里的车也学会了急刹！这证明这些 Token 已经成了可移植的物理规律，而不是简单的统计关联。

定性案例分析：

• 意图感知：当模型推理出前车将要停止（动力学 Token 指示），它会自动规划减速，避免了无 CoT 模型常见的追尾。
• 道路几何感知：即使在视线受阻的弯道，动力学 Token 也能预示道路边界的演变，引导模型平滑过弯。

5. 总结与展望

DynVLA 的成功标志着自动驾驶 VLA 模型正在从“黑盒预测”转向“物理推演”。

局限性：虽然 Dynamics CoT 极大地提升了效率，但如果动力学预测出错（例如在极端恶劣天气下），错误会顺着思维链传播。 未来启示：未来的研究方向可能是将这种“慢速思维”（动力学推理）与“快速反应”（轻量级避障）结合，构建类似人类驾驶员的快慢双系统架构。

Senior Editor's Note: DynVLA 最值得称道的地方在于其对“简洁”的追求。在 LLM/VLM 规模不断膨胀的今天，这篇论文提醒我们：对于物理世界的建模，有物理意义的低维抽象（Decoupled Dynamics）往往比高维像素重建更有力。