标签
本文通过评估四个能力层级——空间结构、物体持久性、预测性空间更新与可操作性，在流式第一人称观测下对十个表征使用冻结特征探针，检验视觉基础模型是否维持持久的空间状态，发现读出准确性并不保证基于历史的更新或可靠的目标导向行动。
论文提出 ViRA 框架，研究视觉基础模型（VFM）表征何时能提升端到端自动驾驶性能，发现 VFM 目标选择与辅助感知监督显著影响规划增益，并推出 ViRA-Diffusion 在 NAVSIM v2 上达到 92.3 EPDMS。