Aug 7, 2026 · Depth-Wise Probing and Pruning of the Planning Token in a Driving Vision-Language-Action Model
Depth-Wise Probing and Pruning of the Planning Token in a Driving Vision-Language-Action Model
一篇 arXiv 论文研究驾驶视觉-语言-动作（VLA）模型中的规划 token。该模型通过单个规划 token 承载整个驾驶计划，并由生成式规划器解码为轨迹。研究者从 32 个解码器层中的每一层解码该 token，测量导航命令的线性可解码性和与冻结原生规划器的轨迹兼容性。结果显示，命令探针准确率在第一层后即达 97.7%（随机为 16.7%），而规划器兼容性随深度逐步提升，开环 Avg-L2 在最后一层才达到最小值 2.11 米。第一层的学习读出可恢复大部分差距，表明规划信息早期已存在但格式不符。按规划 token 引起的角偏差对层排序，可指导剪枝。
EVENT STORY
Development
- First ReportDepth-Wise Probing and Pruning of the Planning Token in a Driving Vision-Language-Action ModelarXiv cs.RO
- Current Assessment驾驶 VLA 模型可通过层剪枝优化推理效率，对车载计算资源受限场景有实际意义。该诊断方法可推广至其他 VLA 任务，指导模型压缩。Agent Pulse · analysis
该论文针对驾驶 VLA 模型提出深度诊断方法，发现规划 token 的语义意图在浅层即可线性解码，但轨迹兼容性需深层才能达到最优。通过层排序和剪枝，可在保持性能的同时减少计算开销，为高效部署提供依据。
规划 token 的语义信息在浅层已高度可解码，但格式与部署规划器不匹配，提示存在表示转换瓶颈。层排序按角偏差进行，可识别冗余层并剪枝，降低推理成本。
驾驶 VLA 模型可通过层剪枝优化推理效率，对车载计算资源受限场景有实际意义。该诊断方法可推广至其他 VLA 任务，指导模型压缩。
对自动驾驶公司，层剪枝可降低推理延迟和硬件成本，提升实时性，增强产品竞争力。
后续可验证方向：剪枝后的模型在真实驾驶场景中的端到端性能，以及该方法在其他 VLA 架构上的适用性。