Reflect-VLA：通过双路径同策略自蒸馏内化反思式指导，用于自动驾驶

基于摘要分析。本文研究自动驾驶 Vision-Language-Action（VLA）模型的轨迹规划：标量轨迹奖励能够评价整体质量，却难以提供具体错误诊断与可执行的修正信号。Reflect-VLA 将 Reflective Guidance 作为训练期特权信息，通过 Dual-Path On-Policy Self-Distillation（Dual-OPSD）将其规划收益内化到模型中，使推理阶段无需显式指导或迭代修正即可单次生成轨迹。 核心机制是用驾驶评分对学生生成的轨迹进行分流，而非直接以该评分进行标量奖励优化：对高风险轨迹，蒸馏教师提供的稠密 token 级纠错分布；对可靠轨迹，采用自模仿以保留已有行为。教师通过 Driving-Knowledge Pretraining、Planning-and-Refinement SFT 和 Self-Refinement Rejection Sampling 逐步构建，目标是在学生实际生成的轨迹上提供可靠修正。摘要未给出风险划分阈值、损失形式或教师与学生的具体配置。 作者报告，在 NAVSIM v1/v2 和 Bench2Drive 上取得有竞争力的规划表现，并相较 RL 将训练时间减少超过 90%；摘要未列出具体规划指标、RL 基线、硬件与时间统计范围，因此该效率结论应限定于作者所用对照条件，不能外推为普遍优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 方法研究参考的是“训练期纠错教师＋按风险分流的蒸馏与自模仿”，而非自动驾驶结果本身。迁移假设依赖 EEG 任务中存在可靠的错误诊断信号及可对齐的教师输出；轨迹 token 纠错需改造为任务标签或时序表征上的纠错监督。低信噪比、跨被试偏移与小数据可能使教师置信度和风险分流失准。可在固定跨被试划分下，以同一 EEG 学生模型比较普通蒸馏与双路径分流，并核对高风险样本改善是否伴随可靠样本性能退化。相关 EEG 工作尚未检索确认。