自动驾驶大模型会＂作弊＂:先看到答案再推理,有篇论文在治这个问题

想象一下：让一个大模型做数学题，但先把正确答案给它看，再让它写解题过程。

它会写出完全合理的步骤，每一步都"顺理成章"地指向那个答案。但仔细看就会发现，这些步骤很可能是编的——模型不是真的会做这道题，而是看到答案之后，倒推了一套说辞。

这不叫推理，叫事后合理化。

自动驾驶模型也会犯这个毛病。

现在很多自动驾驶方案用视觉-语言-动作模型（VLA），让大模型通过思维链做驾驶决策：先描述看到的场景，再推理该怎么开。

问题出在训练环节。训练时，教师模型手里有日志记录的真实未来轨迹。如果教师模型在推理之前就先看到了这个真实轨迹，就会产生一种偏差：不再从场景证据出发推导决策，而是围绕已知结果编造推理过程。

论文把这种失败模式叫做"轨迹锚定偏差"。模型学会了"先看答案，再倒推过程"，而不是真正理解场景。

危险之处在于：评测的时候，这类模型表现往往很好——推理过程头头是道，决策结果也和真实轨迹一致。但到了真实路况，没有"标准答案"可看，它立刻露馅。训练时的高分，是虚假繁荣。

解法：把推理和答案隔离开

这篇论文（DEFT-RLVR）提出了两个组件。

第一个叫 AD-MCQ。它把"轨迹规划"这个开放式问题，改造成选择题：给出一组显式的轨迹候选，让模型从中选择。刹车、速度、横向几何这些关键差异都能保留在选项中；答案离散了，可以精确验证对错，不需要让模型生成一长串坐标再去比对。

第二个叫 DEFT，是核心思路：延迟暴露。推理过程严格分成三个阶段——先推理场景，再揭示候选轨迹，最后验证决策。模型必须先基于场景证据给出推理，然后才看到候选答案，这样它就没有机会"先看答案再编过程"。

简单说：先让模型"闭卷考"，再给它"对答案"。

这为什么值得关注

大模型的思维链推理，到底可信度有多高？这两年很多人开始追问这个问题。推理过程和最终答案，并不总是因果一致。模型可能先蒙对答案，再编一段推理；也可能推理全对，答案却错了。在自动驾驶这种安全攸关的场景里，"编推理"的模型是不能上路的。

DEFT-RLVR 的做法是把"推理过程可验证"这件事变成训练目标。用可验证奖励的强化学习（RLVR），配合"延迟暴露"的数据组织方式，逼着模型真正基于场景推理，而不是基于答案倒推。

项目已开源了代码、模型权重和 AD-MCQ 数据集。论文编号 2608.01755，挂在 arXiv 上。做自动驾驶、VLA 模型或者 RLVR 训练的人可以直接上手。