以下文章来源于智驾最前沿 ，作者陈云培 智驾最前沿 . 自动驾驶领域专业的技术、资讯分享全媒体平台。我们的slogan是：聚焦智能驾驶 ，紧盯行业前沿。 作者 | 陈云培 来源 | 智驾最前沿 点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近30个 方向 学习 路线 >>自动驾驶前沿信息获取 → 自动驾驶之心知识星球 本文只做学术分享，如有侵权，联系删文 自动驾驶车辆要在复杂多变的道路环境中安全行驶，不仅需要 "看见"前方的车辆、行人和路面标志，还需要"读懂"交通标识上的文字提示、施工告示牌和乘客 的语言指令。 之前 和大家讨论过 VLA ， 了解到 视觉 -语言-动作模型 ，但在很多场景中，大家还会提到 VLM，看起来与VLA非常类似，那VLM又是个啥？ 与VLA （ Vision-Language-Action，视觉-语言-动作） 又有什么区别？ 什么是VLM? 如何让VLM高效工作？ VLM可以将一帧原始的道路图像转换为计算机能处理的特征表示。这一过程通常由视觉编码器完成，主流方案包括卷积神经网络（CNN）和近年来兴起的视觉 Transformer（ViT）。它们会对图像进行 ...