DriveVA: 视频动作模型即零样本驾驶员

论文：DriveVA: Video Action Models are Zero-Shot Drivers arXiv: 2604.04198（v2，本地 PDF：2604.04198v2.pdf，30页含正文+附录） 机构：University of Twente、Xiaomi EV、University of Cambridge、University of Bath 提交：2026-04-05；v2 修订：2026-07-01 本笔记基于对论文原文的完整通读 + 多轮追问讨论整理，按主题汇总最终结论，保留关键推导过程和论文原文依据。

💡 相关笔记

本论文与知识库中已有的世界模型融合类驾驶工作一脉相承：LAW - Latent World Model for E2E Driving、Epona - 自回归扩散世界模型、WorldDrive - 统一视觉与运动表征的端到端自动驾驶框架、World4Drive - 无需感知标注的端到端世界模型、HorizonDrive - 自回归世界模型的自我纠偏炼金术；闭环评测中对比的 DriveTransformer 论文阅读笔记；以及世界模型方向的 Fast-WAM（世界动作模型）。

1. 一句话核心思想

DriveVA 把"未来视频预测"和"驾驶轨迹（动作）规划"放进同一个基于 DiT 的 flow matching 联合去噪过程里，而不是像以往方法那样分开建模、事后用特征传递做"软对齐"。核心论点：视频级别的监督才是规划能力提升的主要驱动力，去掉视频监督后 NAVSIM PDMS 从 90.9 暴跌到 71.4。

四大贡献：① 统一视频-动作世界模型；② 基于 DiT 的统一解码器同时生成未来视频潜码和动作 token；③ 视频续播（Video Continuation）策略维持长时程一致性；④ NAVSIM SOTA + 强零样本跨数据集迁移能力。

2. 核心结果一览

定性案例：同一左转场景下，PWM 生成的未来视频显示左转，但预测轨迹却近乎直行——视频与轨迹脱节；DriveVA 的轨迹与生成视频完全吻合。

3. 预备知识：Flow Matching

• 建模为噪声分布到数据分布的连续时间变换，学习时间相关速度场 $v_\theta(x,s)$，满足 ODE： $$\frac{dx^{(s)}}{ds} = v_\theta(x^{(s)}, s)$$
• 训练：线性插值路径 $x^{(s)} = (1-s)\epsilon + s\cdot x_{\text{data}}$，网络回归目标速度 $\dot x^{(s)} = x_{\text{data}} - \epsilon$（MSE 损失，Eq.1-2）。
• 推理：从高斯噪声出发，对速度场做数值积分（Euler 法）即可采样，通常比传统扩散模型步数少得多。

4. 方法细节

4.1 问题定义（Sec 4.1）

给定：语言指令 $T$、历史观测缓冲区 $O_l=\{F_{l-m+1},...,F_l\}$（$m=4$ 帧）、自车状态（$v_x, v_y$）。

联合预测：

• $K=8$ 步未来动作 $A_{l+1:l+K}$，每步 $a_{l+i}\in\mathbb{R}^3$（x, y, yaw）
• $N=8$ 帧未来视频 $F_{l+1:l+N}$（“实际不直接预测原始帧，而是预测其潜在表示”）

闭环滚动：执行完 $A_{l+1:l+K}$ 后，获得新观测，用滑动窗口更新 $O_l$，重复此过程直到任务完成。原文明确定性了这个设计的意义：

“This rolling-horizon setup reduces difficulty in long-horizon prediction to a progressive sequence of short video-continuation problems.”

即：长时程预测的难题，被拆解为一连串"短"续播子问题的链式拼接（详见 §5.7）。

4.2 数据预处理

文本编码通过交叉注意力注入，而非拼接进视觉/动作流——原文（4.2节）：“保持时空 token 序列紧凑，并解耦文本长度以获得更灵活的控制能力”。具体理由（最终结论）：

1. 避免自注意力开销膨胀、保持时空结构纯粹：视觉/动作 token 带有时空坐标含义（配合 RoPE 等位置编码），文本 token 没有这种坐标语义，硬拼进同一自注意力序列会破坏位置编码一致性，且每多拼接 $L_T$ 个文本 token，整个视频-动作序列的每一层每个 token 都要多算一遍与文本的注意力（$O(L^2)$）。交叉注意力把复杂度降为 $O(L_{video}\times L_{text})$。
2. 解耦文本长度，保持条件块/目标块形状固定：$X_{cond}$、$Y_0$ 的固定形状是训练/推理接口一致的基础（见附录 B “conditioning interface”）。若文本拼进视觉/动作流，指令长度变化会直接改变整个序列长度，打破这个固定形状设计。通过交叉注意力，文本编码器可输出任意长度 token 而不影响视频/动作序列的核心生成结构。
3. （论文未明说，但符合背景的隐含原因）：骨干 Wan2.2-TI2V-5B 本身就是用交叉注意力接入文本编码器的预训练视频生成模型，沿用这个接口可以直接复用预训练好的文本-视觉交叉注意力权重，符合论文"充分继承预训练视频生成先验"的整体思路。

视频因果 VAE（Eq.4）：采用 Wan2.2-TI2V-5B 的 3D 因果 VAE 编码器，保证潜码帧 $j$ 只依赖原始帧 $\le j$，不依赖任何未来帧。

为什么要保证第一个潜在特征只依赖第一帧观测（最终结论）： 非因果（双向对称）VAE 编码任意一帧都需要同时拿到前后帧，若只有单帧（无过去无未来）就必须复制/补零"造假"填满时间窗口，导致潜码分布外、质量下降。因果 VAE 强制 $V_0' = f(\text{frame}_0)$，与后续帧无关，单帧输入就能得到"货真价实"、在分布内的潜码，不需要造假。这在两处是刚需： ① rollout 起步阶段历史帧可能不足 $m=4$ 帧，因果 VAE 让"有多少真实帧就编多少"成为可能； ② 续播时历史窗口是真实帧+生成帧的混合体，窗口里最新的生成帧根本没有"未来帧"可以做对称窗口，因果 VAE 保证每帧潜码只依赖自己和更早的帧，不管来源是真实采集还是刚生成的，编码方式始终自洽。 这个因果性继承自 Wan2.2-TI2V-5B 本身的 TI2V（文本+单图→视频）需求，DriveVA 复用基座权重顺带获得这个性质，恰好契合自己"历史窗口长度可变、真实帧生成帧混杂"的场景。

单帧条件 → 视频续播设置的扩展（Sec 4.2 原文核对，最终结论）：

“we further extend this single-frame conditioning to a video-continuation setting by conditioning on a history observation buffer rather than only the current frame. Specifically, at current timestep $l$, we encode the observation buffer $\mathcal{O}_l=\{F_{l-m+1},...,F_l\}$ into a sequence of history latents: $\mathcal{V}_l^{his}=\{V_{l-m+1},...,V_l\}$”

“During training, we encode the full clip to obtain both history latents $V_l^{his}$ and future latents $V_l^{fut}$; during inference, we encode only $O_l$ and generate future latents conditioned on the encoded history latents $V_l^{his}$.”

字面意义：用同一个因果 VAE 编码器，把喂入对象从"1帧"扩展为"m帧历史缓冲区"，得到 m 个历史潜码，各自 flatten+投影后拼进条件块。训练时历史/未来潜码都是真实编码（监督信号意义上不涉及续播）；推理时只有历史可编码，未来必须由模型从噪声"续"出来——这正是"续播（continuation）“字面含义：历史潜码序列是已经写好的"上半段”，flow matching 生成的是它的延续。“video continuation” 本质上不是一个独立训练的神经网络子模块，而是"扩大条件窗口 + 跨窗口递归"这两个简单机制的组合，复用的是基座模型本身"单帧→视频"的因果 VAE 能力。

4.3 Tokenization 与联合生成（Eq.5-9）

• $V_t' = \text{Proj}(\text{Flatten}(V_t))$（Eq.5）
• 条件块：$X_{cond}^{(l)} = [S_l, V'_{l-m+1},...,V'_l]$（Eq.6，$S_l$=ego状态token）——全程无噪声、形状固定，是训练/推理接口一致的基础
• 生成目标块：$Y_0^{(l)} = [V'_{l+1},...,V'_{l+n_{pred}},\ A_{l+1:l+K}]$（Eq.7）——未来全部潜码帧和全部动作 token 拼成同一个块，一起加噪一起去噪
• DiT 前向：$\hat v_\theta^{(l,s)} = f_\theta([X_{cond}^{(l)}, Y^{(l,s)}], s\mid T)$（Eq.8）——拼接 $[X_{cond}, Y_{noisy}]$ 做自注意力（视频↔动作双向交互，文本 T 走交叉注意力单独注入），只取目标块部分输出作为速度场预测。

为什么 dit_forward 必须把 $Y$（当前带噪目标）也输入进去，而不是只用 $X_{cond}$+time 算出速度场后让 $Y$ 在外部自行积分（最终结论，三层论证）：

1. 数学上：$v_\theta(x,s)$ 是一个向量场，定义域包含 $x$ 本身（类比流体在空间每一点的速度）。若 $v_\theta$ 真不依赖 $Y$，积分后 $Y^{(1)}=\epsilon+(\text{只依赖条件的固定向量})$——这只是对高斯噪声做整体刚性平移，生成分布仍是高斯（只是均值变了），永远无法弯曲成真实视频/轨迹那种复杂多峰分布。速度场必须在空间不同位置指向不同方向，才能把简单噪声"揉捏"成复杂目标分布。
2. 架构上：$Y$ 里的视频 token 和动作 token 拼在同一自注意力序列里，是"视频-动作紧耦合"真正实现的位置——动作 token 预测的速度依赖视频 token 当前（部分去噪）的状态，反之亦然。若不把 $Y$ 传入，自注意力对目标块部分根本没有内容可 attend，模型会退化成只根据固定条件生成一个和随机噪声无关的固定输出。
3. 数值积分上：采样是欧拉法数值解 ODE，“走一步、看一眼、再走一步”——第二步要算的速度必须依赖第一步更新后的 $Y$，不可能提前一次性算完（类比求解普通微分方程 $dx/dt=f(x,t)$ 时 $f$ 离不开 $x$）。

4.4 Flow Matching 目标函数与关键数学论证

若 $Y$ 不依赖，flow matching 精确退化为 MSE 回归模型（最终结论，严格推导）：

假设 $v_\theta(s\mid c)$ 不依赖 $Y$，代入损失 $\mathcal{L}=\mathbb{E}[\|v_\theta(s\mid c)-(x_{data}-\epsilon)\|^2]$，最优解为条件期望：

（$\epsilon$ 均值为0且与数据独立）。此时 $Y^{(1)}=\epsilon+\mathbb{E}[x_{data}\mid c]$——一个固定条件均值加噪声偏移，本质是披着 flow matching 外壳的回归器。

驾驶场景是多模态的（同一路口"直行/左转/右转"都合理），退化成回归条件均值会把不同模式平均混合——视频层面生成模糊叠加帧，轨迹层面输出"左转右转的中间值"。这反过来解释附录 F 失败案例的细节：DriveVA 预测错误时（该通行却预测停车），输出仍是"清晰但选错模式"而非"模糊介于两者之间"——说明模型没有退化成回归，只是采样到了错误但自洽的单一模式。

$s=0$ 处最优速度场必然等于"回归到条件均值"，与网络架构、自注意力、是否依赖 $Y$ 均无关（最终结论，更锋利的版本）：

flow matching 边际最优速度场的经典结论：

由于线性插值 $x^{(s)}=(1-s)\epsilon+s\cdot x_{data}$，当 $s=0$ 时 $x^{(0)}=\epsilon$ 恒等成立、与 $x_{data}$ 完全无关（训练时 $\epsilon$、$x_{data}$ 独立采样）。所以 $s=0$ 处条件 “$x^{(0)}=x$” 不提供任何关于目标模态的信息，于是：

——这是目标函数本身逼出的数学下限，不是网络偷懒或退化。

由此解释 Table 8 采样步数消融（1步崩溃/2步近最优/3步无提升）：

• 1 步 Euler 积分只在 $s=0$ 评估一次速度场并一步走到底：$Y^{(1)}\approx\mathbb{E}[Y_0\mid c]$——这是"所有可能未来的平均"，跟纯回归模型没有本质区别，对应 PDMS 崩溃到 13.2。
• 第一步走完后 $x^{(\Delta s)}$ 不再是纯噪声，$s>0$ 时插值路径开始真正携带 $x_{data}$ 信息——条件期望 $v^*(x,s>0)=\mathbb{E}[x_{data}-\epsilon\mid x^{(s)}=x,c]$ 平均的范围会随 $x$ 携带信息增多而自动收窄（不同模态如左/右转对应路径逐渐分开）。更精确地说，第一步的作用不是"直接告诉模型走哪个模态"，而是把采样点从"对所有模态一视同仁的原点"挪到了"已隐含偏向某个模态的位置"——这个位置本身就是后续 committal 的信息载体，关于目标模态的互信息随 $s$ 增加单调增加，只能通过让轨迹真正移动才能被利用。
• 补充：这不只是"离散化误差"的教科书解释——path 之所以在 $s\to0$ 附近必须剧烈弯曲/分岔，根源正是 $s=0$ 处"信息量为零→只能输出均值"这个数学边界条件。这也解释了为何 3 步相比 2 步提升有限：2 步大概已经足够跨过 $s=0$ 附近这个"必须是均值"的陡峭区域，进入模态基本分离清楚的区域，后续步数只是精修。

附录 B 联合分布链式分解（Eq.10-11）：

即"视频续播"因子 × “IDM 风格动作锚定"因子。

附录 B “Conditioning interface”：$X_{cond}$ 在整个流匹配过程中保持无噪声；只有目标块 $Y$（未来视频+动作）接收高斯噪声。默认设置下，未来视频和动作 target token 在去噪时互相 attend（双向耦合）。

5. 关键问题的最终结论（按主题）

5.1 什么是跨数据集零样本迁移

类比"在北京学车（NAVSIM 训练），直接扔到上海街头开车（nuScenes 测试）"——目标域数据一条没见过、未做任何针对性微调，模型依然正常工作，说明学到的是真正通用的知识而非死记硬背。DriveVA 做得好的原因：联合建模视频和轨迹迫使模型理解"世界怎么运动"这种跨数据集通用的物理直觉，而不是"背答案"式的驾驶习惯。

5.2 松耦合 vs 紧耦合，PWM 是否是松耦合代表（最终结论，经历两轮修正）

松耦合的典型症状：视频预测模块和轨迹规划模块各自独立损失函数，梯度流单向，推理时视频可以"说谎”（生成左转视频但轨迹仍直行——论文 Fig.3 中 PWM 的经典错误）。

最初的错误论证：“自注意力互相看见对方”→紧耦合。这个论证被追问推翻：自注意力只是信息共享，不天然等于硬约束（动作 token 完全可能"看了视频一眼但仍我行我素"）。

修正后的最终结论：真正确保紧耦合的关键是两点组合：

1. 共享同一个流匹配噪声过程：视频潜码和动作 token 被拼成同一个生成目标块 $Y_0$，一起加噪一起去噪，走同一条从噪声到数据的路径。
2. 单一联合损失，没有给动作"开后门"：只有一个流匹配损失同时作用于视频和动作，没有独立动作损失让动作模块"另辟蹊径"。

但需要诚实承认更深一层：这是统计意义上的约束，而非几何/逻辑意义上的硬约束——DriveVA 学到的是联合分布 $p(\text{视频},\text{动作}\mid\text{条件})$，“视频左转但动作直行"这种组合在训练数据里不存在，所以学到的联合分布在这个区域概率密度低，但这是训练数据分布决定的统计低概率，不是显式的几何规则禁止。

PWM 并非论文直接点名的"松耦合代表”，但其 Fig.3 暴露的视频-轨迹脱节现象是松耦合的典型症状：视频和动作生成过程虽有特征传递，但本质是两条并行的河流，特征传递只是架了一座小桥，桥不够宽，两条河最终仍会各自流向不同方向。

5.3 一次推理的具体参数

VAE 会对时间维度降采样，DiT 实际处理的是降采样后的潜码步数 $n_{pred}$（论文未写出具体压缩比例）。

5.4 滑动窗口 vs 视频续播——两个不同层次的机制（最终结论）

这是本次讨论中被反复澄清、最终厘清的核心区分：

• 滑动窗口（sliding window）解决"历史条件如何更新"——窗口大小恒定为 $m$，丢弃最旧帧、补入最新帧。它依赖真实观测帧来更新。
• **视频续播（video continuation）解决的不是"补监督信号"（这是个伪问题——任何条件生成模型推理时都不需要 ground truth 算 loss，这与续播无关），而是“下一轮推理的条件输入从哪里来”**这个流程可行性问题：
  • 如果是反应式环境（真实上路/CARLA）：执行完动作后摄像头给出新的真实帧，直接编码即可，不涉及续播。
  • 如果是非反应式评测（NAVSIM）：根本没有新的真实帧出现，第2轮推理要跑，历史条件除了用第1轮生成出来的未来潜码去顶替，别无选择。

这跟自回归语言模型"把生成的 token 喂回去继续生成下一个 token"是同一种结构——不是监督信号的问题，而是"要不要有下一步输入"的问题。

消融实验里去掉 Video Continuation 后 PDMS 90.9→84.6：不是丢失了监督信号，而是多轮 rollout 时视频-动作的耦合链条在窗口交接处断掉——第二轮推理没有第一轮生成的视觉历史作为条件，视频对动作的约束力在跨窗口时消失（但见 §5.6 的进一步修正：Table 5 的这个消融实际测的可能是更基础的一层）。

5.5 为什么会有"没有足够真实观测帧"的情况——NAVSIM 非反应式 vs 反应式（最终结论）

真实部署中摄像头（如20Hz）远快于模型推理速度（2步流匹配很快），真实帧理论上随时管够，“没有足够真实帧"的说法在真实闭环部署里站不住脚。真正的答案在于评测基准的性质：

论文引用 [14] 原题为 “Navsim: Data-driven non-reactive autonomous vehicle simulation and benchmarking”

NAVSIM 是非反应式仿真——它给你固定的历史帧片段，你预测完直接用预设回放评分，根本不存在"执行动作→采集新的真实观测"这个真实闭环。

若追问"多轮推理后历史窗口是否会稳定收敛为纯真实帧”（用户提出的假设），结论是分场景而定：

这也从另一个角度佐证：视频续播之所以在论文里被当作核心贡献单独消融，很可能是为了应对 NAVSIM 里"历史窗口永远无法被真实数据重新填满"的极端情况。

5.6 用户"内部2帧循环"假设的证伪，及 Table 5 消融真正测的是什么（重要自我修正）

用户假设：模型一次推理无法生成完整8帧，可能只生成2帧，通过反复把生成的2帧送回历史窗口、持续向后推理凑够8帧，理论上前后一致性更好。

核对原文后证伪：Eq.7 明确显示，一次推理是把整个 $N=8$ 帧未来 + $K=8$ 步动作，作为同一个目标块 $Y_0^{(l)}$，共享同一噪声、同一次 DiT 前向、同一条 $s{=}0\to1$ 的流，一次性通过一次 flow-matching 积分生成完的。Table 8 的"采样步数"（1/2/3）指的是这整个目标块的 Euler 离散化步数，不是"每生成2帧就往回喂一次"的分段计数。Table 6 里 N=4/8/12 的比较，测的是单次生成窗口的长度（“longer rollouts introduce additional drift” 说的是单次生成更远未来导致漂移，不是多次拼接导致漂移）。原文从头到尾没有"生成2帧→反馈→再生成2帧"这种内部链式结构的描述。

但用户的元层面质疑是对的——“既然论文专门做了消融实验，不该是个只在 NAVSIM 有效的把戏”。重新核对 Table 5 脚注发现了此前理解范围过窄的问题：

Table 5 脚注："‘Video Continuation’ refers to video-to-video generation."

这句定义比"跨窗口递归续播"朴素得多：它测的是模型生成未来视频时，是否以过去的视觉帧为条件（video-to-video），对比"non-video-conditioned generation"（可能是仅凭文本+自车状态生成，即条件块中去掉视觉历史 token $V'_{l-m+1...l}$，只留 $S_l$ 和文本）。这与"4.2节：extend single-frame conditioning to a video-continuation setting"一节的定义一致——都是计算机视觉里"video continuation/video prediction"任务的标准含义（类比"文本续写"），跟"是否跨多轮递归喂自己生成的帧"是两件不同的事。

去掉 Video Continuation（ID3，PDMS 90.9→84.6）大概率对应"车辆凭速度和语言指令盲想未来"，跟 Action-only 消融（PDMS 暴跌到 47.0，连未来视频都不生成）相比降幅温和得多，符合"少了视觉历史条件、但仍要生成视频+动作"的描述。这个能力（生成未来时要不要参考刚看到的画面）在真实上路场景里同样重要，与 NAVSIM 是否非反应式完全无关——这正是一个放之四海皆准的架构设计问题，用户的质疑成立。

结论：此前几轮讨论把"续播"和"NAVSIM非反应式→只能拿生成帧续接历史窗口"这件事强绑定，这个跨窗口递归机制在 Sec 4.1/Fig.2 里确实存在，但它不是 Table 5 消融测的东西。Table 5 测的是更基础的一层：“生成未来时要不要以视觉历史为条件”——这一层的价值通用，不依赖评测协议是否反应式。

5.7 单次8帧预测算"长视频"还是"短想象"（最终结论）

这是"局部 vs 全局"的两个不同层级，均由原文明确定性：

Sec 4.1：“This rolling-horizon setup reduces difficulty in long-horizon prediction to a progressive sequence of short video-continuation problems.”

• 单次推理（8帧/4秒）= 短想象单元，刻意设计成"短"。Table 6 证实：单次生成窗口从8帧延长到12帧（6秒），PDMS 就从90.9掉到86.7（drift accumulation）——单次生成越长越容易失控，这正印证了外部评论"长视频一次性生成容易结构漂移"的道理。
• 真正的"长视频"（覆盖几十秒甚至几分钟任务）靠链式拼接实现，不是单次生成出来的：Fig.2 “Progressive Video Continuation” 画的就是一个个4秒窗口首尾相接、不断向后滚动的过程。DriveVA 从未让模型在一次前向传播里直接生成很长的序列，而是把"生成很长未来"的高难度问题转换成"重复很多次生成很短未来"的低难度问题。

类比自回归语言模型：GPT 不会一次前向传播吐出几万字文章（丧失连贯性），而是逐 token 生成、不断把已生成内容喂回作为新上下文。DriveVA 的 Progressive Video Continuation 本质是把这个思路从"逐 token"换成"逐4秒窗口"——短窗口内部保证生成质量（避免单次生成过长导致漂移），长时程覆盖靠窗口间链式滚动实现。

5.8 实车部署时是否还存在"长时程预测"问题（最终结论）

用户结论：“实车部署不会遇到长时程预测问题，每次生成4s未来给控制执行，下一轮再生成新的4s，滚动进行”——这个判断基本成立，但需要两点补充精确化：

1. 消失的具体风险，不是"长时程预测的需求"本身：实车摄像头（如20Hz）远快于模型2步流匹配推理，下一轮推理需要的历史帧真实传感器早已备好，滑动窗口更新永远用真实观测帧，不会触碰"用生成帧续接历史"这条路径——这正是 §5.5 讨论的"续播用生成帧"机制本质上是为了应付 NAVSIM 非反应式评测，而非实车真实需求。但**“预测4秒→滚动→再预测4秒"这个滚动闭环结构本身，在实车和仿真评测里是共用的**——因为模型单次推理能力天生只能吐出4秒未来，无论是否用生成帧续接，长时程任务都必须靠多轮推理链式拼接完成。变化的只是"续接历史用什么帧”（NAVSIM被迫用生成帧，实车永远用真实帧），架构本身不是仿真专属的。

2. 重规划节奏的粒度：论文 Sec 4.1 原文描述的闭环节奏是"执行完整个 $K=8$ 步（4秒）动作序列后才重新推理一次"，即每4秒重规划一次的粗粒度版本，而非用户设想的"每帧都重新推理"。用户设想的更高频重规划（每帧/每几帧重规划一次，只执行预测轨迹的前几步）其实是更标准的 receding horizon / MPC 思路，实车部署通常会采用以获得更强的安全裕度和响应性——但这是比论文原始闭环描述更保守、更工程化的实现方式。两种节奏（每4秒 vs 更高频）都不会触发"生成帧续接历史"的风险，因为无论多高频，只要推理够快，真实帧都追得上。

6. 实验结果汇总（消融实验表）

Table 5（关键设计消融，NAVSIM PDMS）

Table 6（预测时间跨度/单次生成窗口长度）

Table 7（训练策略）

Table 8（采样步数）

Table 9（模型规模，LoRA适配）

附录 E.2 Table 11（掩码策略 / 预测目标消融）

说明未来视频预测不只是辅助可视化输出，它为动作 token 提供了稠密的时序锚定。

附录 E.1 Table 10（Bench2Drive Dev10 闭环）：DriveVA Driving Score 67.47，Success Rate 70.00，优于 DriveTransformer、DriveMamba-12L。

附录 F（失败案例）：即使预测错误（如遇骑行者/路口本该通行却预测停车），预测轨迹依然与生成视频保持一致——说明失败原因是视觉因果推理不足，而非视频-轨迹耦合设计有问题（也印证了 §4.4 中"模型没有退化成回归"的论证：输出是清晰但选错模式，而非模糊平均态）。

7. 术语速查