元戎启行的 40B VLA 自动驾驶基座模型和方法论

元戎作为中国辅助驾驶/自动驾驶算法供应商的后起之秀，在这两年来量产车辆大幅度上升，拥有长城、吉利、甚至传言拿下了新势力零跑的业务。而且元戎也是比较早喊“VLA”甚至量产"VLA"的供应商。

所以，算是有量产也有前瞻的自动驾驶解决方案提供商，本次GTC 2026 元戎的CTO 曹通易做了名为《Redefining the Boundaries of Autonomous Driving with Foundation Model》的演讲，分享了其基于Foundation model基模的VLA方法和理论。

本文通过演讲和行业知识分享下此次演讲的核心内容和亮点。

元戎启行（DeepRoute.ai）解决自动驾驶，甚至走向 L5 级别的核心思路，是坚信“Scaling Law（扩展定律）”，通过构建统一的基座大模型来驱动模型尺寸和数据规模的同步爆发。

这里也看出目前行业内对当前端到端发展起来的各种技术比较自信，看到了自动驾驶的曙光，目前行业的核心重点是，优化算法也加大模型参数、推动算力芯片上升、优化工程落地。

以下是元戎其基座大模型架构与自动驾驶软件方法的硬核技术亮点：

一、 基座大模型（40B VLA）的原理与架构技术亮点

元戎基于1亿Gb的视频构建了一个参数量为 40B 的原生 VLA（视觉-语言-动作）大模型， 小鹏也在去年年底表示其研发了基于2亿Clips（推断 大约10亿Gb数据）训练的72B（720亿）参数超大规模模型。

元戎表示其训练机制和端侧部署上进行了以下底层创新：

1. 架构创新：“三位一体”的模型角色这个大模型打破了仅作为“驾驶员”的单一设定。它在同一个模型中集成了三种能力：驾驶员、分析师以及评论员/裁判。这种能力复用不仅让认知和场景理解得以共享，还能有效提升驾驶任务本身的性能。解读就是这个模型能看懂视频等传感器输入数据流，推理和分析，最终给出结论好坏。

2. 预训练（Pre-train）原理突破：从“轨迹监督”转向“视频预测”传统的端到端模型通常依赖驾驶轨迹进行监督训练，但这存在极大的数据浪费——1 PB 的驾驶视频中，轨迹数据仅占约 10 GB，数据利用率仅为 0.001%。元戎在预训练阶段创新性地采用了视频预测任务来让模型理解世界，这意味着视频的每一个像素都能作为监督信号，数据利用率达到 100%，从而为超大参数模型提供了极高质量的物理世界表征。

3. 中端训练（Mid-train）的跨模态推理融合在掌握了对世界的理解后，模型会进行三种核心任务的联合训练：

V+A（视觉+动作）：学习常规的端到端驾驶，典型的端到端架构。

V+A -> L（行动后解释）：激活分析师和裁判角色，输入视觉和动作序列，输出对关键事件的抽象描述、行为因果解释以及好坏评判。

V -> L+A（多模态逻辑推理）：训练带推理能力的司机。给定视觉输入，利用思维链（CoT）让模型先输出关键事件的语言描述和决策逻辑，再输出具体的驾驶轨迹。

4. 极致的车端部署优化与量产蒸馏，根据GTC上曹通易的表述，目前元戎的VLA在车端可能实现了 10-15 Hz 的实时闭环控制（为什么实时闭环控制重要可以点击我们之前文章《揭秘特斯拉 FSD 核心：端到端算法的“三大难点”与“独门解法”以及对语音控车的想法》了解）。

元戎表示其引入了 KV Cache（历史特征免重复计算，这个理想在本次GTC也表示采用了，具体可以看我们理想GTC 2026文章）、多 Token 预测（MTP）、量化技术以及定制化的推理引擎，将包含 1000 个视觉 Token 和数十个推理 Token 的单步处理延迟严控在 60-85 毫秒以内。此外，基座大模型可以根据车端芯片算力进行灵活“蒸馏”：在 100 TOPS 平台上部署纯驾驶的 VA 模型，在 500 TOPS 平台上即可部署带有逻辑推理能力的 VLA 模型。

二、 自动驾驶软件与数据方法亮点

在软件和数据工程层面，元戎彻底重构了数据闭环和仿真系统，解决了“无聊数据损害模型”和人工介入效率低下的行业痛点：

1.大模型全面接管的极速数据闭环传统的数据闭环（发现问题、诊断、挖掘、标注、训练）严重依赖人工或小型规则模型，一个循环往往耗时 5 天（100 小时以上）且能力无法沉淀。元戎直接利用前文提到的基座大模型（其分析师和裁判能力）接管了数据挖掘、自动诊断、思维链（CoT）标注以及动作评分等全流程。这不仅将闭环周期从 5 天极速缩短至 12 小时，更重要的是，闭环过程中产生的所有人工 Review 和机器标注结果，都会沉淀为大模型中端训练的新养料，实现 AI 能力的飞轮递增。

2. 突破长尾场景的数据合成技术面对现实中难以收集的罕见高危场景（Long-Tail Scenarios），元戎采用了先进的生成式与合成技术：

3D 重建与风格迁移：利用 Nvidia 的 3D GUT 进行高保真重建，并用 Cosmos 模型实现天气和光照的风格迁移，将一个白天的素材转化为雨天或夜间的变体。

DiPIR 插入式编辑：这是元戎自研的技术，能够将生成的 3D 行人、骑行者或动物（如公路上突然窜出的羊）无缝插入到真实的道路视频中，并自动匹配光照和阴影，系统性地批量生成“极其危险且难以捕捉”的训练数据。

3. 仿真环境下的强化学习（RL）自我进化在仿真回测中，元戎的模型不再单纯依赖人工标准答案（在极端场景下人类也很难标注出完美轨迹）。基座大模型可以在重建的仿真场景中自己“采样（Rollout）”出多条不同的驾驶解决方案（比如遇到违规加塞时，是选择体感不佳的急刹，还是选择横向避让）。随后，模型内部的“评论员（Critic）”会结合预设的安全和舒适度规则，对这些轨迹进行行为分析和评分。通过这种闭环强化学习（RL Policy Optimization）的持续迭代，模型能够在极其复杂的边缘场景中输出更安全、更精准的决策。