算法论文8

FSDrive：推动自动驾驶迈向视觉推理

机器之心2025-09-30

AI 摘要

FSDrive提出“时空视觉CoT”，让模型直接“以图思考”，联合未来场景与感知结果推理。该方法不改动原MLLM架构，实验显示其以低数据/算力成本获强竞争力，推动自动驾驶迈向视觉推理。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

复旦&引望WAM-Diff2让自动驾驶解码提速15.1倍

视觉-语言-动作（VLA）模型是端到端自动驾驶主流技术，但自回归解码架构有瓶颈。复旦大学与引望智能联合提出WAM-Diff2，实现自回归VLA向离散扩散模型迁移，解码加速15.1倍，多任务性能不降。

多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。

本文介绍了专门测量「主动观察」能力的视觉推理基准 ActiveVision，评测显示无外部工具时，大模型与人类准确率有近 9 倍差距，用工具后虽提升但仍远不如人类，还说明了其出题与避免取巧的方式。

吴甘沙在演讲中分享驭势科技创业十年心得，用《孙子兵法》《隆中对》构建竞争策略，指出自动驾驶达99分易，最后1%难，是创业公司护城河。还介绍了市场选择、技术路线、商业模式等内容。