DynVLA：学习世界动态以用于自动驾驶中的动作推理

本文提出 DynVLA，一种引入“动态思维链”（Dynamics CoT）新范式的驾驶视觉 - 语言 - 动作模型。该模型在生成动作前预测紧凑的世界动态，以实现更具信息量且符合物理规律的决策。通过动态分词器将未来演化压缩为少量标记，并解耦自我中心与环境中心动态，提升了建模准确性。经监督微调与强化反馈训练，DynVLA 在多个数据集上优于文本及视觉思维链方法，验证了其高效性与实用价值。