AUGUstus：统一生成与理解的自动驾驶VLA模型，实现12Hz实车运行

一句话看懂：自动驾驶VLA模型AUGUstus提出统一扩散生成与自回归理解的新架构，在NAVSIM等基准上取得领先规划成绩，并初步在实车上实现12Hz运行。

事件核心：发生了什么

据Hugging Face Papers收录的论文摘要，研究者于2026年10月发布了一种名为AUGUstus的自动驾驶VLA（视觉-语言-动作）模型。该模型旨在解决当前VLA模型的两类问题：一是部分模型退化为视觉-动作模型，直接生成动作但未充分利用VLM理解能力，导致动作安全性不足；二是自回归方法虽能利用思维链（CoT）辅助理解，但推理延迟高，难以部署。

AUGUstus将基于扩散的动作生成与自回归的CoT理解统一在一个模型中，并采用“先生成动作、再生成CoT”的AUGUstus-mode训练策略，使CoT在训练中监督动作，而推理时只需输出动作，从而降低延迟。同时引入AUGUstus-GRPO算法联合优化动作与CoT。摘要显示，该模型在NAVSIMv1上达到94.6 PDMS，在NAVSIMv2上达到90.7 EPDMS，在nuScenes上平均L2误差0.27米、平均碰撞率0.05%。在内部1000公里数据集上使用512块NVIDIA H800 GPU训练约2天，并初步在实车上实现12Hz运行。以上数据均来自论文摘要，未经全文实验核验。

为什么重要

当前自动驾驶VLA路线面临“理解强则延迟高、延迟低则理解弱”的取舍。AUGUstus尝试用统一架构同时保留VLM的空间理解能力与低延迟动作输出，若其方法可复现，意味着端到端自动驾驶在安全性和可解释性上可能获得一条更实用的技术路径。其在NAVSIM和nuScenes上的成绩目前为摘要所述条件下的SOTA，但并非永久排名，仍需后续独立验证。对行业而言，这代表VLA模型从“堆叠模块”走向“生成与理解一体化”的探索，可能影响自动驾驶算法研发的算力分配和部署策略。

对用户/开发者/创作者的影响

对自动驾驶开发者，AUGUstus的联合训练和GRPO优化思路提供了可参考的架构范式，尤其是如何用CoT监督动作生成而不增加推理延迟。对关注AI应用落地的团队，12Hz实车运行表明该模型在算力受限的车端有一定可行性，但目前仅基于内部数据集初步部署，尚未公开可用API或开源代码。对内容创作者和行业观察者，需注意该成果目前仅为论文摘要，项目页面已公开，但产品化程度、泛化能力和真实道路表现仍待披露。