VLA模型中顯式語言層的作用及不同廠商的處理策略有何差異？

在VLA模型架構中，顯式語言層主要承擔場景語義理解、常識推理及決策解釋的功能。通過引入預訓練大語言模型，VLA能夠利用互聯網數據中的常識先驗提升對罕見場景的泛化能力，并輸出自然語言形式的決策理由以支持事后驗證。然而，顯式語言層也存在明顯局限：一是語言轉譯過程可能導致視覺細節信息的損耗，文字難以完整承載圖像中的豐富信息；二是語言處理帶來的計算延遲可能影響實時控制性能；三是語言輸出與控制指令之間的語義隔可能導致動作生成不夠精準。

針對這些問題，頭部廠商采取了不同的技術策略。Waymo的EMMA模型選擇保留并強化語言層，將導航指令、自車狀態及軌跡輸出統一表示為自然語言文本，在同一模型內聯合處理多任務，并利用思維鏈（CoT）推理提升規劃性能與可解釋性。理想汽車的MindVLA同樣保留語言層，采用MoE混合專家架構與稀疏注意力機制，支持“快思考/慢思考”雙模式，在統一多模態框架內實現視覺、語言與行動的聯合訓練與對齊。

相比之下，小鵬第二代VLA則選擇弱化甚至去除顯式語言中間層。其認為標準VLA的語言轉譯瓶頸限制了性能上限，因此設計了原生多模態Tokenizer，實現視覺信號到動作指令的端到端直接輸出。通過32倍超密視覺思維鏈，小鵬在隱式表征層面完成推理，既保留了多模態輸出能力，又避免了文本轉譯帶來的信息損耗與延遲，本質上趨近于視覺—動作（VA）路線。這種分化表明，行業在追求更高實時性與更低算力消耗的過程中，正在探索語言層在智駕系統中的最佳存在形態，部分廠商傾向于通過隱式表征與高效視覺推理來替代顯式語言推理，以實現更直接的物理世界閉環控制。