在自動駕駛領域，VLA 大模型正從學術前沿走向產業落地的 “深水區”。近日，特斯拉（Tesla）在 ICCV 的分享中，就將其面臨的核心挑戰之一公之于眾 ——“監督稀疏”。

這一問題直指當前 VLA 模型的 “七寸”：其輸入是高維、稠密的視覺信息流，但其監督信號卻往往是低維、稀疏的駕駛動作（如路徑點）。那么即便使用 PB 級的海量數據，VLA 模型的巨大潛力也無法被有效釋放。

正當業界熱議這一瓶頸時，一支來自國內頂尖學術機構與華為合作的團隊，已經悄然給出了破解這一難題的 “錦囊”。一篇名為 《DriveVLA-W0: World Models Amplify Data Scaling Law in Autonomous Driving》的新工作，為解決這一 “監督稀疏” 提供了極具洞見的解決方案。該研究提出，世界模型（World Model）是解鎖 VLA 數據規模定律（Data Scaling Law）的關鍵鑰匙。

論文標題：DriveVLA-W0: World Models Amplify Data Scaling Law in Autonomous Driving論文鏈接：https://arxiv.org/abs/2510.12796

VLA 的 “監督赤字”：Data Scaling Law 為何在自動駕駛失效？

自動駕駛領域的研究者普遍希望復現 Data Scaling Law 在 LLM 上的成功：通過擴大模型參數和數據規模，實現自動駕駛性能的飛躍。

但 DriveVLA-W0 指出，VLA 模型面臨著與 LLM 截然不同的困境：“監督赤字”（Supervision Deficit）。

一個數十億參數的 VLA 模型，其輸入是高維、稠密的視覺信息流，但其監督信號卻往往是低維、稀疏的駕駛動作（如路徑點）。模型的大部分表征能力被浪費，導致其無法充分學習駕駛環境的復雜動態。

研究團隊的實驗證實了這一點：在稀疏的動作監督下，VLA 模型的性能會隨著數據量的增加迅速飽和，Data Scaling Law 的效應在此大打折扣。

破解之道：用世界模型提供 “稠密” 的自監督信號

如何填補這一 “赤字”？DriveVLA-W0 的答案是：與其依賴稀疏的 “動作”，不如讓模型學習稠密的 “世界”。

研究團隊創造性地引入了世界模型，將 “預測未來圖像” 作為一項稠密的自監督訓練任務。

傳統 VLA（左）僅依賴稀疏的動作監督。DriveVLA-W0（右）則額外引入了稠密的視覺預測任務，迫使模型理解環境。

當模型被要求去預測下一幀的完整視覺畫面時，它必須去學習和理解這個世界的真實運行規律 —— 例如，其他車輛的運動趨勢、行人與車輛的交互關系等。

這一設計為 VLA 模型提供了遠比 “動作” 更豐富和稠密的學習信號，從根本上緩解了 “監督赤字” 問題。

核心貢獻：世界模型 “放大” 了 Data Scaling Law

如果說解決 “監督赤字” 是這項工作的起點，那么其更核心的貢獻在于發現了：世界模型能夠顯著 “放大”（Amplifies）數據規模定律。

在 700K 到 70M 的數據規模上，DriveVLA-W0（紅線）的性能提升斜率顯著優于基線（藍線），展現了更強的擴展潛力。

研究團隊在高達 7000 萬幀的內部大規模數據集上進行了嚴格的 Scaling 實驗。結果清晰地顯示：

基線模型（僅動作監督）： 隨著數據量增大，性能提升迅速放緩。

DriveVLA-W0（世界模型）： 性能隨著數據量增加，實現了持續且顯著的提升，與基線模型的性能差距越拉越大。

在 70M 幀的規模下，世界模型的加入，使模型的碰撞率降低了20.4%。這證明了世界模型帶來的 “質變”，是單純堆砌動作數據所無法企及的。

兼顧性能與效率：輕量級 MoE 專家

DriveVLA-W0 并非一個不考慮落地的 “學術模型”。針對 VLA 大模型在自動駕駛中面臨的 “高延遲” 痛點，團隊還提出了一種輕量級的 MoE“動作專家”（Action Expert）架構。

該設計在不犧牲性能的前提下，顯著降低了模型的推理延遲，僅為基線 VLA 的 63.1% ，為 VLA 模型的實時部署提供了可能。

結語

這項研究工作不僅為特斯拉等行業先行者提出的 “真問題” 提供了清晰的解題思路，也為自動駕駛乃至整個具身智能領域，展示了世界模型在 “生成” 之外的另一條核心價值路徑 —— 作為強大的自監督引擎，撬動 VLA 模型的 Data Scaling Law。