一句话看懂：alphaXiv 上的一项工作把冻结的 DINOv2 与冻结的 Laya 用 4.23M 参数适配器连接，绕开自回归 VLA 每帧超 300 ms 的耗时，在模拟器中做到单次前向加控制 32.85 ms。它更像一条可复现的工程路线，而不是已经上车的产品。
事件核心：发生了什么
论文于 2026 年 10 月 25 日发布。作者没有重新训练视觉主干和决策模型：DINOv2-base（86.58M）负责图像 patch 特征，经 4×9 空间池化压成 36 个 token；一个 4.23M 参数的适配器把这些 token 送进非自回归的 Laya（395.21M）。Laya 单次双向编码即输出机动、速度等级、AEB 概率和 6 个未来航点，不再逐 token 生成。
感知与决策之外，系统接了 HD 地图安全盾、五次曲线路径混合和 PID 跟踪器。在 Ryzen 5 7500F / RTX 4070 Ti、FP32、B=1 条件下，一次同步前向为 32.85 ms，加 CARLA 仿真 IPC 后约 39.25 ms。注意这是仿真中的单次计时，不是与“>300 ms VLA”的配对基准。
为什么重要
20 Hz 控制每 50 ms 就要出新指令，而自回归 VLA 的串行解码天然卡在延迟上。该工作展示了一条替代思路：大模型负责语义与决策，小适配器对齐特征，传统控制器兜底安全与轨迹平滑，从而把延迟压进预算。对做具身智能和自动驾驶的团队来说，这比单纯堆模型规模更具工程参考价值。
对用户/开发者/创作者的影响
目前公开信息显示，代码与模型可用性未在摘要中说明。对开发者，冻结骨干加轻量适配器的范式降低了训练算力门槛，但 6-WP 头只做曲率平滑，不负责绕障，路径改道依赖机动决策和 HD 地图。对硬件侧，RTX 4070 Ti 级消费卡即可跑通，显示推理成本可控。对普通用户，这仍是模拟器研究，不能理解为量产自动驾驶能力。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是作者是否开源适配器与评测脚本；二是能否在真实车辆或更高频控制下复现同等延迟；三是与端到端 VLA 方案在遮挡、恶劣天气等场景的对比是否补齐。
来源：alphaXiv
