Intelligence Sets Sail for a Shared Future过去两年，自动驾驶和大模型的结合越来越热。一个很自然的方向是：既然视觉语言模型已经具备很强的场景理解和推理能力，那能不能让它像人类司机一样，先理解环境、再做判断、最后输出轨迹？
这条路线听起来很合理，但真正落到自动驾驶上，很快就会遇到一个问题：很多方法虽然引入了大模型，却仍然把「推理」做成了文本链式推理。也就是说，模型要先生成中间解释，再把这些解释一步步转成动作或轨迹。这样做的优点是看起来 「更会思考」，但代价也非常明显：文本是离散 token，而轨迹是连续控制；文本推理还依赖自回归解码，速度慢、链路长，不太适合实时驾驶。
来自清华大学与香港中文大学 MMLab 的研究团队提出了全新的隐空间推理与层次化轨迹规划的 VLA 框架 --ColaVLA，论文已经被 CVPR2026 主会接收。
论文标题：
ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving
论文链接：
https://arxiv.org/abs/2512.22939
代码链接：
https://github.com/pqh22/ColaVLA
这篇论文给出的答案很直接：自动驾驶中的推理，不一定要写成文字。
与其让模型「边说边想」，不如让它在统一潜空间里完成推理，再把结果直接交给动作规划器。这样既能保留 VLM 的语义先验和知识能力，又能绕开显式文本生成带来的延迟和表示错位。
整篇论文最重要的贡献，其实可以概括成两句话：第一，把推理从文本空间搬到潜空间；第二，把轨迹生成从串行过程改成分层并行过程。
一、核心思路：先「想清楚」，再「开出来」
ColaVLA 的整体框架由两个核心部分组成：
作者的目标不是简单把一个大模型接到规划器前面，而是重新定义「推理」和「动作」之间的接口，让二者真正对齐。
先看前半部分，也就是潜空间推理器。作者把它设计成一个很像人类司机的四步过程：
Understand
Recognize
Rethink
Decide
这四步看上去很直观，但真正巧妙的地方在于，它们都不是通过自然语言完成的，而是在统一潜空间中隐式完成。
第一步 Understand，是先整体看懂场景。模型会把多视角视觉信息、固定驾驶提示和 ego 车状态一起送入共享 VLM，先建立一个全局场景理解，而不是一上来就直接回归轨迹。
第二步 Recognize，是从大量视觉信息里筛出真正和当前驾驶动作相关的关键实体。这里论文设计了一个 ego-adaptive router，根据当前自车状态动态选择最重要的视觉 token，保留的通常是车道、邻近车辆、行人、交通灯这些安全关键线索，而不是无差别地处理整张图。
第三步 Rethink，则是在压缩后的关键信息上再做一次 “复核式推理”，并借助一组可学习的 meta-query 来表示不同高层驾驶策略。
最后一步 Decide，输出的也不是一句解释文本，而是一组面向动作生成的高层驾驶先验。这样一来，模型就不再需要把推理结果先翻译成自然语言，再从语言翻译回动作空间，而是直接完成从认知到策略的内部闭合。
二、真正落到动作层面，
它的规划器为什么更合理？
很多自动驾驶方法的问题，不只是上游推理方式不合适，下游轨迹生成方式也未必真正符合驾驶动作的结构。有些方法一次性直接回归整条轨迹，虽然简单，但缺少层次；有些方法依赖复杂生成过程，虽然表达能力强，但效率和部署稳定性不一定理想。
ColaVLA 这里的思路很清晰：驾驶轨迹本来就是分层的，所以生成过程也应该分层。
论文提出的 Hierarchical Parallel Planner 有三个关键词：
它不是把未来轨迹当作一个扁平输出，而是先确定粗粒度意图，再逐步补足中间细节。这更像真实驾驶员的决策方式：先想清楚「往哪去」，再决定「具体怎么走」。
同时，作者还设计了一个 causality-preserving 的注意力机制，保证不同尺度之间的信息流是从粗到细、逐层细化的，而不是相互泄漏。这样一来，多尺度结构就不只是形式上的分解，而是真正具有因果约束的轨迹生成过程。
更重要的是，这个 planner 可以在单次前向传播中并行完成多尺度、多模式轨迹解码，不用再像文本 CoT 那样一步一步串行生成。
三、实验结果说明了什么？
从结果上看，ColaVLA 最打动人的地方，不只是「指标更高」，而是它同时兼顾了精度、安全和效率。
1. Open-loop：不只是预测更准，而且更安全
在 nuScenes 的开环评测中，ColaVLA 在动作类方法里取得了最优综合表现，平均 L2 误差为 0.30 m，平均碰撞率为 0.23%。相比强基线 SOLVE-E2E，L2 进一步下降，碰撞率也明显降低。
这说明它输出的轨迹并不只是数值上更接近真值，而是在安全性层面也更优。
2. Closed-loop：真正体现方法价值的部分
在更关键的闭环评测 NeuroNCAP 中，ColaVLA 的平均得分达到 3.48，平均碰撞率降到 36.8%，明显优于多种前序方法。
论文特别指出，相比依赖文本推理、并使用额外数据的 ImpromptuVLA，ColaVLA 在不显式生成文本思维链的情况下，依然取得了更好的闭环表现。
这个结果很有说服力，因为它说明：对自动驾驶来说，更长、更复杂的文字推理链，并不一定能带来更好的真实驾驶行为；真正关键的，还是内部决策表征是否适合动作生成，以及规划器是否具有合理的因果结构。
3. 推理效率：它把「落地可能性」往前推了一步
效率上，ColaVLA 也给出了非常亮眼的结果。在扎实的工程优化后，它的在 H200 上的端到端推理延迟为 228 ms/frame，而对比的文本式方法整体快了 5 倍到 10 倍左右。
这意味着，把推理从文本搬到潜空间，并不只是概念上更优雅，而是真的换来了实打实的速度收益。对于强调闭环和实时性的自动驾驶来说，这一点尤其关键。
四、消融实验最值得记住的几点
这篇论文的消融实验也比较完整，但最值得记住的其实只有四点。
第一，潜空间推理本身确实有效。只要加入 latent reasoning，模型的轨迹误差就会下降；再加入 rethink 阶段，效果还会进一步提升。这说明「先抓关键、再做复核」的认知链条不是叙事包装，而是真正有助于决策质量。
第二，分层并行规划器本身也很重要。即便把 reasoning 模块去掉，作者的 planner 在闭环上依然明显优于普通 MLP 头和 diffusion 头，说明它确实更符合真实驾驶动作的生成逻辑。
第三，关键 token 不是越多越好，而是平衡最好最重要。保留太少会丢信息，保留太多又会引入冗余，论文最终选择了一个在表达能力和效率之间更均衡的配置。
第四，最优的轨迹生成方式不是一次性回归整条轨迹，而是先确定关键点，再逐层补齐中间细节，这和驾驶动作本身的因果结构是对得上的。
五、这篇论文真正有价值的地方是什么？
如果只把 ColaVLA 看成「又一个自动驾驶模型」，其实低估了它。
我觉得这篇工作的更大意义在于，它提出了一个非常明确的判断：
自动驾驶中的推理，不一定需要显式写成文字。
过去很多工作默认认为，大模型的优势来自「会解释」「会说话」「能输出思维链」。但 ColaVLA 给出的答案是：在自动驾驶这种连续控制任务里，更重要的也许不是「让模型把思考说出来」，而是「让模型在内部真正想清楚，并用更适合动作生成的方式表达出来」。
从这个角度看，它代表的是一种很值得重视的范式变化：
从 text reasoning 转向 latent reasoning
从 sequential decoding 转向 parallel decoding
从「展示推理过程」转向「兼顾安全、效率和闭环表现」
论文最后的结论也很清楚：把推理从文本迁移到潜空间，为自动驾驶中的知识驱动决策提供了一条更可扩展、也更现实的路径。
六、总结
如果要用一句话总结 ColaVLA，我会这样说：
它不是让自动驾驶大模型「更会说」，而是让它「更会在内部想清楚，再更快地开出来」。
这篇论文最核心的贡献，不只是提出了一个新模块，也不只是刷新了几项指标，而是它证明了下面几件事：
自动驾驶里的推理，可以不依赖显式文本思维链；
潜空间推理同样可以保留高层驾驶决策能力；
分层并行、因果一致的规划器，更适合真实驾驶动作生成；
当推理形式和动作生成真正对齐时，系统才能同时获得更好的安全性、效率和闭环表现。
对于后续自动驾驶大模型的发展来说，这篇工作很可能代表着一个很值得继续深入的方向：
不是把大模型硬塞进自动驾驶，而是重新设计一种真正适合自动驾驶的大模型推理方式。
Disclaimer:
This article is reprinted from other media for the purpose of transmitting and sharing more information. It does not mean that this platform agrees with its views and is responsible for its authenticity. The copyright belongs to the original author. If there is any infringement, please contact us to delete it.
