过去两年，自动驾驶和大模型的结合越来越热。一个很自然的方向是：既然视觉语言模型已经具备很强的场景理解和推理能力，那能不能让它像人类司机一样，先理解环境、再做判断、最后输出轨迹？

这条路线听起来很合理，但真正落到自动驾驶上，很快就会遇到一个问题：很多方法虽然引入了大模型，却仍然把「推理」做成了文本链式推理。也就是说，模型要先生成中间解释，再把这些解释一步步转成动作或轨迹。这样做的优点是看起来 「更会思考」，但代价也非常明显：文本是离散 token，而轨迹是连续控制；文本推理还依赖自回归解码，速度慢、链路长，不太适合实时驾驶。

来自清华大学与香港中文大学 MMLab 的研究团队提出了全新的隐空间推理与层次化轨迹规划的 VLA 框架 --ColaVLA，论文已经被 CVPR2026 主会接收。

论文标题：ColaVLA: Leveraging Cognitive Latent Reasoning for Hierarchical Parallel Trajectory Planning in Autonomous Driving 论文链接： https://arxiv.org/abs/2512.22939 代码链接： https://github.com/pqh22/ColaVLA

这篇论文给出的答案很直接：自动驾驶中的推理，不一定要写成文字。

与其让模型「边说边想」，不如让它在统一潜空间里完成推理，再把结果直接交给动作规划器。这样既能保留 VLM 的语义先验和知识能力，又能绕开显式文本生成带来的延迟和表示错位。

整篇论文最重要的贡献，其实可以概括成两句话：第一，把推理从文本空间搬到潜空间；第二，把轨迹生成从串行过程改成分层并行过程。

一、核心思路：先「想清楚」，再「开出来」

ColaVLA 的整体框架由两个核心部分组成：

Cognitive Latent Reasoner：负责完成高层驾驶认知 Hierarchical Parallel Planner：负责把高层策略展开成连续轨迹

作者的目标不是简单把一个大模型接到规划器前面，而是重新定义「推理」和「动作」之间的接口，让二者真正对齐。

先看前半部分，也就是潜空间推理器。作者把它设计成一个很像人类司机的四步过程：

Understand Recognize Rethink Decide

这四步看上去很直观，但真正巧妙的地方在于，它们都不是通过自然语言完成的，而是在统一潜空间中隐式完成。

第一步 Understand，是先整体看懂场景。模型会把多视角视觉信息、固定驾驶提示和 ego 车状态一起送入共享 VLM，先建立一个全局场景理解，而不是一上来就直接回归轨迹。

第二步 Recognize，是从大量视觉信息里筛出真正和当前驾驶动作相关的关键实体。这里论文设计了一个 ego-adaptive router，根据当前自车状态动态选择最重要的视觉 token，保留的通常是车道、邻近车辆、行人、交通灯这些安全关键线索，而不是无差别地处理整张图。

第三步 Rethink，则是在压缩后的关键信息上再做一次 “复核式推理”，并借助一组可学习的 meta-query 来表示不同高层驾驶策略。

最后一步 Decide，输出的也不是一句解释文本，而是一组面向动作生成的高层驾驶先验。这样一来，模型就不再需要把推理结果先翻译成自然语言，再从语言翻译回动作空间，而是直接完成从认知到策略的内部闭合。

二、真正落到动作层面，它的规划器为什么更合理？

很多自动驾驶方法的问题，不只是上游推理方式不合适，下游轨迹生成方式也未必真正符合驾驶动作的结构。有些方法一次性直接回归整条轨迹，虽然简单，但缺少层次；有些方法依赖复杂生成过程，虽然表达能力强，但效率和部署稳定性不一定理想。

ColaVLA 这里的思路很清晰：驾驶轨迹本来就是分层的，所以生成过程也应该分层。

论文提出的Hierarchical Parallel Planner有三个关键词：

先粗后细 保持因果 并行解码

它不是把未来轨迹当作一个扁平输出，而是先确定粗粒度意图，再逐步补足中间细节。这更像真实驾驶员的决策方式：先想清楚「往哪去」，再决定「具体怎么走」。

同时，作者还设计了一个 causality-preserving 的注意力机制，保证不同尺度之间的信息流是从粗到细、逐层细化的，而不是相互泄漏。这样一来，多尺度结构就不只是形式上的分解，而是真正具有因果约束的轨迹生成过程。

更重要的是，这个 planner 可以在单次前向传播中并行完成多尺度、多模式轨迹解码，不用再像文本 CoT 那样一步一步串行生成。

三、实验结果说明了什么？

从结果上看，ColaVLA 最打动人的地方，不只是「指标更高」，而是它同时兼顾了精度、安全和效率。

1. Open-loop：不只是预测更准，而且更安全

在 nuScenes 的开环评测中，ColaVLA 在动作类方法里取得了最优综合表现，平均 L2 误差为0.30 m，平均碰撞率为0.23%。相比强基线 SOLVE-E2E，L2 进一步下降，碰撞率也明显降低。

这说明它输出的轨迹并不只是数值上更接近真值，而是在安全性层面也更优。

2. Closed-loop：真正体现方法价值的部分

在更关键的闭环评测 NeuroNCAP 中，ColaVLA 的平均得分达到3.48，平均碰撞率降到36.8%，明显优于多种前序方法。

论文特别指出，相比依赖文本推理、并使用额外数据的 ImpromptuVLA，ColaVLA 在不显式生成文本思维链的情况下，依然取得了更好的闭环表现。

这个结果很有说服力，因为它说明：对自动驾驶来说，更长、更复杂的文字推理链，并不一定能带来更好的真实驾驶行为；真正关键的，还是内部决策表征是否适合动作生成，以及规划器是否具有合理的因果结构。

3. 推理效率：它把「落地可能性」往前推了一步

效率上，ColaVLA 也给出了非常亮眼的结果。在扎实的工程优化后，它的在 H200 上的端到端推理延迟为228 ms/frame，而对比的文本式方法整体快了5 倍到 10 倍左右。

这意味着，把推理从文本搬到潜空间，并不只是概念上更优雅，而是真的换来了实打实的速度收益。对于强调闭环和实时性的自动驾驶来说，这一点尤其关键。

四、消融实验最值得记住的几点

这篇论文的消融实验也比较完整，但最值得记住的其实只有四点。

第一，潜空间推理本身确实有效。只要加入 latent reasoning，模型的轨迹误差就会下降；再加入 rethink 阶段，效果还会进一步提升。这说明「先抓关键、再做复核」的认知链条不是叙事包装，而是真正有助于决策质量。

第二，分层并行规划器本身也很重要。即便把 reasoning 模块去掉，作者的 planner 在闭环上依然明显优于普通 MLP 头和 diffusion 头，说明它确实更符合真实驾驶动作的生成逻辑。

第三，关键 token 不是越多越好，而是平衡最好最重要。保留太少会丢信息，保留太多又会引入冗余，论文最终选择了一个在表达能力和效率之间更均衡的配置。

第四，最优的轨迹生成方式不是一次性回归整条轨迹，而是先确定关键点，再逐层补齐中间细节，这和驾驶动作本身的因果结构是对得上的。

五、这篇论文真正有价值的地方是什么？

如果只把 ColaVLA 看成「又一个自动驾驶模型」，其实低估了它。

我觉得这篇工作的更大意义在于，它提出了一个非常明确的判断：

自动驾驶中的推理，不一定需要显式写成文字。

过去很多工作默认认为，大模型的优势来自「会解释」「会说话」「能输出思维链」。但 ColaVLA 给出的答案是：在自动驾驶这种连续控制任务里，更重要的也许不是「让模型把思考说出来」，而是「让模型在内部真正想清楚，并用更适合动作生成的方式表达出来」。

从这个角度看，它代表的是一种很值得重视的范式变化：

从text reasoning转向latent reasoning 从sequential decoding转向parallel decoding 从「展示推理过程」转向「兼顾安全、效率和闭环表现」

论文最后的结论也很清楚：把推理从文本迁移到潜空间，为自动驾驶中的知识驱动决策提供了一条更可扩展、也更现实的路径。

六、总结

如果要用一句话总结 ColaVLA，我会这样说：

它不是让自动驾驶大模型「更会说」，而是让它「更会在内部想清楚，再更快地开出来」。

这篇论文最核心的贡献，不只是提出了一个新模块，也不只是刷新了几项指标，而是它证明了下面几件事：

自动驾驶里的推理，可以不依赖显式文本思维链； 潜空间推理同样可以保留高层驾驶决策能力； 分层并行、因果一致的规划器，更适合真实驾驶动作生成； 当推理形式和动作生成真正对齐时，系统才能同时获得更好的安全性、效率和闭环表现。

对于后续自动驾驶大模型的发展来说，这篇工作很可能代表着一个很值得继续深入的方向：

不是把大模型硬塞进自动驾驶，而是重新设计一种真正适合自动驾驶的大模型推理方式。