Language2Drive：自动驾驶中的视觉-语言-动作模型真的遵循指令吗？

基于摘要分析。该研究针对自动驾驶 Vision-Language-Action（VLA）模型提出一个评估问题：车辆安全完成路线，并不意味着其执行了乘客指定的行为。作者提出 Language2Drive 基准，以同一初始驾驶场景下的不同可行指令，检验语言是否真正决定车辆的行为选择。 核心评估单位为 paired counterfactual unit（PCU，成对反事实单元）：固定初始驾驶场景，仅改变指令，区分单条指令下的独立成功与反事实指令对均成功。摘要称评估覆盖四种指令遵循范围，但未提供各范围的定义。作者在闭环 CARLA 仿真、重建的真实世界场景及开环驾驶基准中开展评估，并报告发布了带专门设计地图的 CARLA-Language2Drive 仿真器；具体场景规模、指令构造及发布内容尚未验证。 作者报告，在所评估的代表性驾驶 VLA 及上述评估设置中，93.2% 的成功 rollouts 在替代可行指令下没有对应的成功运行。该数字描述的是成功运行缺少反事实成功配对的比例，不是整体驾驶失败率，也不是可直接换算的指令遵循 Accuracy。摘要将主要失败模式归为单侧完成：模型反复执行偏好的行为，却无法在相同场景中按另一条指令执行替代行为。各评估设置的分项结果、汇总方式、样本数量及统计不确定性尚未验证。 研究价值主要在于评估协议，而非提出新的 VLA 训练算法：通过控制场景并改变指令，检查常规驾驶分数和独立成功是否高估语言控制能力。需进一步核对替代指令的可行性判定、配对成功标准、模型与基线配置，以及闭环和开环结果的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 系统本身以语言指令条件化解码或辅助控制，PCU 的控制变量思路可用于检查输出是否随指令改变，而非仅依赖神经信号或场景先验。可复用的是成对评估逻辑，但需重新定义 EEG 输入配对、有效指令及成功标准；低信噪比、跨被试差异和小样本可能使配对失败难以归因。一个小规模检验是假设固定同一段 EEG 输入与任务状态，仅替换两条预先确认可行的控制指令，对比独立成功和成对成功。该设想不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。