DynVLA：学习自动驾驶中动作推理的世界动态

arXiv 26.3 2026 50.5 method

TLDR

DynVLA通过动态分词器预测紧凑世界动态，实现自动驾驶中基于物理的动作推理。

评分理由

The paper presents a novel CoT paradigm that compresses future world dynamics into tokens, decoupling ego and environment dynamics, and validates it on multiple benchmarks including a real-world dataset. Strengths include compact representation and empirical gains; weaknesses are domain specificity and lack of comparison to broader world model frameworks.

Read-first 评分解释

综合优先阅读分 50.5，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 18。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、数据集、评估、实验

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：数据集、GitHub

主题相关性 42%

25.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：582。

关键词评分

world dynamics prediction

world model

model-based reinforcement learning world model

world simulator

generative world model

interactive world model

video world model

深度分析

创新点

引入Dynamics CoT，一种新的思维链范式，在动作生成前预测紧凑的世界动态。
提出动态分词器（Dynamics Tokenizer），将未来演化压缩成少量动态令牌。
在交互密集场景中解耦自我中心和环境中心动态，实现更准确的世界动态建模。
通过监督微调（SFT）和强化微调（RFT）训练模型在动作前生成动态令牌。

方法

DynVLA是一种驾驶视觉-语言-动作（VLA）模型，采用Dynamics CoT：首先使用动态分词器将未来世界演化压缩成一组紧凑的动态令牌，然后将这些令牌解耦为自我中心和环境中心组件。模型通过SFT和RFT训练，在动作预测之前生成动态令牌，从而实现基于物理的决策，同时保持低延迟推理。在NAVSIM、Bench2Drive和大型内部数据集上进行评估，并与文本CoT和视觉CoT基线进行比较。

关键结果

DynVLA在NAVSIM、Bench2Drive和内部数据集上均一致优于文本CoT和视觉CoT方法，验证了Dynamics CoT在自动驾驶中的有效性和实用价值。

技术栈

Dynamics CoTDynamics TokenizerVLA (Vision-Language-Action)SFT (Supervised Fine-Tuning)RFT (Reinforcement Fine-Tuning)

资源

论文