LECDrive：渐进潜在专家链增强驾驶VLA

基于摘要分析。本文研究自动驾驶 VLA 模型中稠密场景理解需求与稀疏语言、轨迹监督之间的矛盾，提出 LECDrive，通过渐进式潜在专家认知链引导模型形成更稠密的内部世界表征。主要研究对象是自动驾驶场景理解与行动规划，而非 EEG 或 BCI。 核心机制是在 VLA 模型中注入少量任务特定 latent tokens，作为吸收视觉基础模型知识的载体。摘要列出的知识来源包括 DINOv3 的视觉表征、SAM3 的语义结构及 DepthAnything3 的空间几何信息；监督依照课程学习原则，从表征逐步组织到语义与几何。作者将问题归因于缺少显式的稠密潜在表征形成机制，而非单纯模型容量不足，但这一解释的对照证据尚需正文核对。具体损失、专家间连接方式、训练阶段及推理时是否仍依赖专家模型尚未验证。 作者报告，在多个自动驾驶基准上，LECDrive 改善了基础 VLM 在物体感知、状态预测和轨迹规划任务中的表现。摘要未提供基准名称、划分、指标、数值或计算开销，因而尚不能判断收益幅度与效率权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，稀疏任务标签可能不足以保留 EEG 中与任务相关的丰富结构，可借鉴 latent tokens 与渐进式多教师监督，但必须将视觉、语义及深度教师替换为适合 EEG 的表征或生理辅助目标。低信噪比、跨被试差异、通道配置变化及小数据可能使教师误差被传递或放大。一个可证伪的小实验是在固定跨被试划分下，对比相同 EEG 主干的任务监督、单教师监督及渐进式多教师监督，并控制训练预算，检验增益是否稳定。该路径仅为机制类比，相关 EEG 工作尚未检索确认，不能视为已证实的 BCI 效果。