AUGUstus：统一生成与理解的自动驾驶 VLA 模型

基于摘要分析。AUGUstus 研究端到端自动驾驶 VLA 模型中理解能力与推理延迟的矛盾：直接生成动作可能未充分利用视觉语言模型的理解能力，而依次生成 CoT 和动作 token 又带来较高延迟。其核心贡献是在同一模型中结合扩散式动作生成与自回归 CoT 理解，让理解监督服务于动作生成。 机制上，作者通过联合 CoT 监督，在共享表征中保留视觉语言模型的空间理解能力。AUGUstus-mode 将动作生成安排在 CoT 之前，使训练阶段能够利用 CoT 监督，而推理阶段仅需输出动作；AUGUstus-GRPO 则联合优化动作与 CoT。具体生成顺序的实现、扩散过程、监督损失及 GRPO 奖励设计尚未验证，因此不能仅凭摘要确定各模块的独立贡献。 作者报告，在 NAVSIMv1 上获得 94.6 PDMS，在 NAVSIMv2 上获得 90.7 EPDMS，并称其无需 scorer 模块即可达到 SOTA 规划表现；两项指标来自不同评估版本，不能直接比较。在 nuScenes 上，作者报告平均 L2 误差为 0.27 m、平均碰撞率为 0.05%，并称优于所比较方法。上述结果的划分、预测时域、对照设置及统计信息尚未验证。 实践方面，作者报告使用 512 张 NVIDIA H800 GPU，在内部数据上训练约 2 天，并在内部 1,000 km 数据集上评估；初步实车部署达到 12 Hz。该运行频率不等同于完整系统的安全性验证，训练数据规模、内部评估条件及推理硬件仍需核对。摘要提供项目页，但代码、权重与训练数据的可用性尚未验证。 本文主要对象是自动驾驶规划，并非 EEG 或 BCI。平台推测（待验证）：训练期引入理解监督、推理期省去解释生成的思路可能具有跨任务价值，但其依赖可用的 CoT 监督及与动作对齐的多模态数据；现有材料尚不足以建立具体 EEG 机制对应或提出可靠复现实验。相关 EEG 工作尚未检索确认。