智能驾驶VLA模型的架构范式与厂商路线-2026-08-自动驾驶

汽车行业深度报告证券研究报告·行业深度报告·汽车 汽车行业深度报告证券研究报告·行业深度报告·汽车AI系列深度22VLA模型的架构范式与厂商路线增持（维持）投资要点智能驾驶VLAVLM4ADVLM4AD再到VLA4AD：VLMVLA4AD的核心架构通常包括视觉编码器、语言处理器和动作解码BEV入预训练大模型、LoRA或RAG等方法注入驾驶知识；动作解码器再将融合后的多模态表征转化为轨迹、控制量或动作token。VLA4AD

行业走势21%17%13%9%5%1%-3%-7%-11%-15%

2026年08月07日证券分析师 黄细里执业证书：S0600520010001021-60199793证券分析师 黄细里执业证书：S0600520010001021-60199793huangxl@研究助理 童明祺执业证书：S0600125080005tongmq@理中枢四个阶段；主要挑战包括鲁棒性、实时性能、数据与标注、多模态对齐、多智能体协同和评测标准化。这意味着VLA并非单一固定架EMMAGeminiE2E+VLM3DMoE40BVLADriverAnalyst、Critic则通过多专家世界模型小鹏第二代VLA我们认为数字AIAIAIAIARR

相关研究《AI系列深度17期：视觉智能为何引入Transformer？》2026-08-06《AI系列深度16期：语言智能为何从RNN转向Transformer？》2026-08-061/13东吴证券研究所东吴证券研究所内容目录TOC\o"1-2"\h\z\u智驾VLA：从端到端到动作生成的范式升级 4自动驾驶技术演进：从模块化流水线到VLA4AD 4VLA4AD的核心架构：输入、三大模块与输出 4VLA4AD的阶段演进：从解释器到推理中枢 5VLA4AD的主要局限 6代表性模型：头部厂商VLA路线开始分化 7EMMA：基于Gemini的纯端到端架构 7理想：从E2E+VLM双系统到MindVLA统一架构 7元戎启行：40BVLA基座的Driver/Analyst/Critic三角色 8千里科技CoWorld-VLA：多专家世界模型8小鹏第二代VLA：弱化显式语言层，强化视觉思维链 9设计动机：标准VLA的语言转译瓶颈 9架构特征：原生多模态与视觉思维链 10去显式语言层的边界：趋近的VLA变体 工程与量产：算力、数据与落地节奏 风险提示 2/13东吴证券研究所东吴证券研究所图表目录图1：自动驾驶范式比较 4图2：VLA4AD四阶段演进时间轴 6图3：在v1上的PDMS贡献拆解与同类对比 9图4：小鹏第二代VLA对外披露的能力提升与体验改善 10表1：VLA4AD动作解码器的三类技术路线 5表2：VLA4AD自身的四阶段演进 6表3：代表性厂商VLA模型的架构与公开指标对比 9表4：小鹏第二代VLA对外披露的关键参数与指标 103/13东吴证券研究所东吴证券研究所智驾VLA：从端到端到动作生成的范式升级自动驾驶技术演进：从模块化流水线到VLA4AD自动驾驶的整体技术演进可划分为四个范式。Vision-to-ActionVLMVLMVLA4AD范式的关键变化，是把视觉感知、语言理解和控制决策整合到同一个策actionhead图1：自动驾驶范式比较ASurveyonVision-Language-ActionModelsforAutonomousDrivingVLA4AD的核心架构：输入、三大模块与输出VLA4ADBEV3DIMUGPS4/13东吴证券研究所东吴证券研究所语言输入包括环境查询、任务规则解析及语音交互。VLA4AD核心模块可拆分为视觉编码器、语言处理器和动作解码器。DINOv2ConvNeXt-V2CLIPBEV3DLoRAMPC表1：VLA4AD动作解码器的三类技术路线技术路线机制特点代表/适用自回归分词器将连续轨迹点/控制信号离散化为token序列，并按自回归方式逐个预测实现简单，与LLM生成范式天然兼容AutoVLA等扩散头基于扩散模型，从高斯噪声逐步采样出连续控制信号或轨迹擅长连续动作空间，生成轨迹更平滑DiffVLA、理想MindVLA分层控制器高层由LLM输出自然语言子目标，底层由PID/MPC转换为具体控制高低层解耦，可解释性较强ORIONASurveyonVision-Language-ActionModelsforAutonomousDrivingDiffVLA:Vision-LanguageGuidedDiffusionPlanningforAutonomousDriving》等其他文献，东吴证券研究所VLA4AD的阶段演进：从解释器到推理中枢VLA4ADVLA2023VLA20242025年初，LLM介，采用感知、语言理解、规划、控制的多阶段流水线，语言作为中间表示，代表如OpenDriveVLA。统一端到端VLA阶段集中在2025EMMAVLA引入5/13东吴证券研究所东吴证券研究所图2：VLA4AD四阶段演进时间轴ASurveyonVision-Language-ActionModelsforAutonomousDriving表2：VLA4AD自身的四阶段演进阶段语言LLM角色时间代表模型主要问题预VLA阶段被动解释器约2023年为主DriveGPT-4描述带来延迟；处理无关细节；描述与控制间存在语义隔阂模块化VLA规划协作者2024—2025年初OpenDriveVLA多阶段流水线误差在边界被放大；响应变慢统一端到端VLA动作生成器2025年为主EMMA反应快但长时程推理弱；决策解释粒度不足推理增强VLA推理中枢，引入CoT与记忆最新阶段ORION将长时域推理、记忆、交互整合进控制循环ASurveyonVision-Language-ActionModelsforAutonomousDrivingEMMAEnd-to-EndMultimodalModelforAutonomousDriving》等其他文献，东吴证券研究所VLA4AD的主要局限我们认为，当前VLA4AD从技术验证走向规模化落地仍面临六种挑战，其中数据瓶颈与算力约束是短期最核心的制约因素。一为鲁棒性与可靠性不足，包括语言幻觉、传感器噪声以及形式化验证的缺失.二为实时性能约束30HzTransformer叠LLMtoken三为数据与标注瓶颈，视觉—语言—动作三模态配对监督数据稀缺。四为多模态对齐6/13东吴证券研究所东吴证券研究所五为多智能体社会复杂性，受约束的车间V2V语言、信任与安全等长期问题仍处于探索初期。（sim-to-real）代表性模型：头部厂商VLA路线开始分化EMMA：基于Gemini的纯端到端架构EMMA构建于多模态大模型Gemini之上roadgraphEMMAEMMA在nuScenes运动规划任务上取得OpenMotionDatasetWOMDCoT推理/3D理想：从E2E+VLM双系统到MindVLA统一架构NOA（2021年年）→BEV/OCC感知大模型（2023年）→E2E+VLM双系统（2024年）→VLA（2025年E2E+VLM统：E2EVLM2024DriveVLM其将规划拆解为“场景描述—关键对象影响分析—分层规划”三段式推理链，并通过DriveVLM-Dual3DMindVLA3D3D高斯3DGaussianMindGPTMoEDiffusionVLA20258i87/13东吴证券研究所东吴证券研究所ADMax20263GTC2026MoE/元戎启行：40BVLA基座的Driver/Analyst/Critic三角色元戎启行40BVLACriticFoundationModel51220261002025年10月在第三方高阶智驾供应商中单月份额接近40%。千里科技CoWorld-VLA：多专家世界模型CoWorld-VLA论文提出，传统VLA通常将图像、导航指令与车辆状态直接映射为未来轨迹，缺少可被规划器调用的中间世界状态；文本思维链难以保留连续的空间与运动信息，单一世界表征又不足以覆盖交通交互、道路几何与未来动态。其核心创新是在VLM隐空间构造四类专家训练分三阶段Qwen3-VL为VLMVGGTHMEF与专家作为条件在动作空间中扩散去噪，生成连续自车轨迹。v1PDMS达，超越Uni-WorldVLA（9.orDr（9D指标32（越低效果越好消+5.0PDMS、HMEF+1.1PDMS里科技，董事长印奇的AI+车体系以与吉利合作的千里浩瀚智驾及世界模型为主线，8/13东吴证券研究所东吴证券研究所图3：CoWorld-VLA在NAVSIMv1上的PDMS贡献拆解与同类对比CoWorld-VLAThinkinginaMulti-ExpertModelforAutonomousDriving《Data-DrivenNon-ReactiveAutonomousSimulationandBenchmarking表3：代表性厂商VLA模型的架构与公开指标对比模型视觉/输入语言/推理动作解码公开指标WaymoEMMA环视相机，纯视觉，不含LiDAR/雷达Gemini统一语言空间，CoT推理轨迹文本tokennuScenes规划SOTA；CoT使端到端规划提升6.7%理想MindVLA3DMindGPT，MoE+稀疏注意力，Diffusion扩散轨迹公司口径：车端实时运行元戎启行40BVLA视觉输入为主Analyst因果推理，三角色，实时驾驶动作数据闭环周期由5天以上压缩至约12小时千里CoWorld-VLA图像+导航+车辆状态Qwen3-VL隐空间四类专家Token扩散式HMEF规划器NAVSIMv1PDMS89.8；FVD32.7小鹏第二代VLA音/32倍超密视觉思维链，弱化文本语言端到端直接输出动作CoT33%EMMAEnd-to-EndMultimodalModelforAutonomousDrivingCoWorld-VLAThinkinginaMulti-ExpertModelforAutonomousDriving》等其他文献，理想、小鹏等公司公开资料，东吴证券研究所；各指标口径不一，不可直接横向比较小鹏第二代VLA：弱化显式语言层，强化视觉思维链设计动机：标准VLA的语言转译瓶颈小鹏将行业传统VLA概括为视觉V、语言L、动作A9/13东吴证券研究所东吴证券研究所基VLA架构特征：原生多模态与视觉思维链小鹏第二代VLA32CoT，公32倍、相比传统CoTself-play也是原生舱驾一体的基础框架。图4：小鹏第二代VLA对外披露的能力提升与体验改善数据来源：小鹏汽车官网、2025小鹏科技日及2026THEFUTURE媒体日公开披露，东吴证券研究所整理表4：小鹏第二代VLA对外披露的关键参数与指标维度指标数值/表述披露场合模型视觉思维链推理效率提升32倍2026THEFUTURE媒体日模型相比传统CoT的预测误差降低33%2026THEFUTURE媒体日算力车端算力-Ultra版2,250TOPS2025小鹏科技日算力车端模型参数规模数十亿级，行业普遍千万级2025小鹏科技日数据训练数据量近1亿clips，累计50PB，科技日/推送公告数据每版模型训练数据约4万亿Tokens推送公告体验综合行车效率提升23%2026THEFUTURE媒体日落地首发外部客户大众汽车，图灵AI芯片获定点2025小鹏科技日数据来源：小鹏汽车官网、2025小鹏科技日及2026THEFUTURE媒体日公开披露，东吴证券研究所整理10/13东吴证券研究所东吴证券研究所去显式语言层的边界：趋近的VLA变体VLAVLAVLA作为对照，理想MindVLA-o1按公司表述保留了语言层，是原生多模态MoETransformer，将视觉、语言、行动三种模态联合训练并在同一表示空间对齐，支持快思考/慢思考双模式。由此可见，在是否保留显式语言推理层这一维度上，头部厂商的VLA工程与量产：算力、数据与落地节奏为实现第二代VLAAI2,250的Ultra版车型上搭载数十亿12VLA1clips42025科技VLA于2025年12年第一季度起面向小鹏Ultra车型推送AIVLANGPMPI23%。风险提示技术迭代不及预期的风险：数字AI、物理AI技术进展低于预期，任