技术架构差异 - VLM采用外挂式架构，作为视觉语言动作模型向端到端模型输出减速等指令，例如在盲区场景下输出8-12km/h的减速需求 [1][2] - VLA采用原生集成架构，其基座模型直接理解视频输入并综合判断道路场景、宽度和流量等因素后输出动作 [2] - VLM方案因指令式交互导致驾驶体感存在割裂感和规则感，所有路口减速至统一范围而缺乏场景差异化 [2] 性能表现对比 - VLA方案输出的盲区减速档位更连续且接近非离散状态，不同道路盲区减速的G值差异显著，更匹配实际交通流场景 [2] - VLM方案因依赖代码触发机制，其作用层级和稳定性存在不确定性，完全采信有风险而部分采信效果可能偏弱 [3] 模型能力基础 - VLM基于Qwen等基座模型，通过特定场景视频和图像训练以获得对丁字路口等场景的理解能力 [1] - VLA使用自研基座模型构建盲区类场景的理解工作流，直接进行综合判断并输出动作 [2]