近日，AAAI 2026公布了論文錄用結(jié)果，該會(huì)議是人工智能領(lǐng)域的國(guó)際頂級(jí)會(huì)議之一。據(jù)悉，AAAI 2026共收到23,680份論文投稿，其中4,167篇論文被錄用，錄用率僅為17.6%。

由小鵬汽車(chē)和北京大學(xué)計(jì)算機(jī)學(xué)院多媒體信息處理全國(guó)重點(diǎn)實(shí)驗(yàn)室聯(lián)合完成的論文《FastDriveVLA: Efficient End-to-End Driving via Plug-and-Play Reconstruction-based Token Pruning》成功入選。

這篇論文最大的貢獻(xiàn)在于，提出了一種專(zhuān)門(mén)為端到端自動(dòng)駕駛VLA模型定制的、高效的視覺(jué)Token剪枝框架——FastDriveVLA。

隨著AI大模型技術(shù)的加速演進(jìn)，VLA（視覺(jué)-語(yǔ)言-動(dòng)作）模型由于在復(fù)雜場(chǎng)景理解與動(dòng)作推理方面展示出巨大潛力，正在被廣泛地應(yīng)用于端到端自動(dòng)駕駛系統(tǒng)中。VLA模型在處理視覺(jué)信息時(shí)，會(huì)將圖像編碼為海量視覺(jué)Token（詞元）。

視覺(jué)Token是VLA模型“看懂世界”，并“做出決策”的基石，其質(zhì)量、數(shù)量與選擇策略直接決定模型的性能、效率與可信度。然而，直接轉(zhuǎn)換的處理方式會(huì)導(dǎo)致車(chē)端計(jì)算負(fù)荷變大，同時(shí)還會(huì)影響模型的推理效率和決策執(zhí)行。

此前，視覺(jué)Token剪枝已被證實(shí)了是加速VLA模型推理的可行方法之一。但傳統(tǒng)的視覺(jué)Token剪枝方法或依賴(lài)文本-視覺(jué)注意力關(guān)聯(lián)，或基于Token相似度去重，在駕駛場(chǎng)景中均存在明顯局限。

為了解決這一問(wèn)題，小鵬汽車(chē)聯(lián)合北大共同提出了FastDriveVLA——一種專(zhuān)門(mén)為自動(dòng)駕駛設(shè)計(jì)的、基于重建的視覺(jué)Token剪枝框架。

該框架的提出受到了人類(lèi)駕駛員在駕駛時(shí)會(huì)專(zhuān)注于相關(guān)前景信息（如行人、道路、車(chē)輛、交通標(biāo)志、交通信號(hào)燈、交通障礙物）的啟發(fā)，引入了一種新穎的對(duì)抗性前景-背景重建策略，以增強(qiáng)VLA模型識(shí)別有價(jià)值Token的能力，從而教會(huì)AI“像人一樣開(kāi)車(chē)”，自動(dòng)過(guò)濾無(wú)關(guān)緊要的視覺(jué)信息，只關(guān)注有用的核心信息。

FastDriveVLA 框架

在訓(xùn)練階段，論文中提出了一種新穎的“前景-背景對(duì)抗重建”策略，以增強(qiáng) ReconPruner 對(duì)前景視覺(jué) Token 的感知能力；

在推理階段，ReconPruner可直接嵌入自動(dòng)駕駛VLA模型，用于 Token 剪枝。

FastDriveVLA包含一個(gè)即插即用的視覺(jué)Token剪枝器ReconPruner。在車(chē)端模型的推理階段， ReconPruner可直接嵌入自動(dòng)駕駛VLA模型用于視覺(jué)Token的剪枝，即插即用，無(wú)需重新訓(xùn)練整個(gè)模型。為了輔助該剪枝器的訓(xùn)練，還專(zhuān)門(mén)構(gòu)建了包含來(lái)自6個(gè)攝像頭視角的24.1萬(wàn)個(gè)圖像-掩碼對(duì)的nuScenes-FG數(shù)據(jù)集。這一大規(guī)模的自動(dòng)駕駛前景分割標(biāo)注數(shù)據(jù)集，可廣泛用于未來(lái)自動(dòng)駕駛的研究。

nuScenes-FG。

該數(shù)據(jù)集為 nuScenes 場(chǎng)景提供了 24.1 萬(wàn)個(gè)前景分割標(biāo)注。

這種“去繁從簡(jiǎn)”只關(guān)注核心駕駛信息的思路，讓FastDriveVLA取得了驚艷的效果。最終，nuScenes自動(dòng)駕駛數(shù)據(jù)集上的測(cè)試顯示，采用這一剪枝框架，在不同剪枝率下均取得當(dāng)前最優(yōu)即SOTA效果：

當(dāng)剪枝比例達(dá)25%，駕駛性能幾乎不下降，其L2軌跡誤差與碰撞率指標(biāo)甚至超越未剪枝的基準(zhǔn)模型；

當(dāng)剪枝比例達(dá)50%，在所有指標(biāo)上表現(xiàn)更平衡；

與此同時(shí)，VLA模型的推理效率得到了顯著提升。當(dāng)視覺(jué)Token數(shù)量從3249減少到812時(shí)，F(xiàn)astDriveVLA 實(shí)現(xiàn)了近7.5倍的計(jì)算量（FLOPs）減少。在 CUDA （指從GPU啟動(dòng)一個(gè)計(jì)算任務(wù)到真正拿到該任務(wù)的計(jì)算結(jié)果之間所經(jīng)歷的時(shí)間）延遲方面，F(xiàn)astDriveVLA 將預(yù)填充時(shí)間（prefill）與解碼時(shí)間（decode）分別減少了3.7倍與1.3倍。

小鵬汽車(chē)聯(lián)合北大提出的FastDriveVLA，建立了自動(dòng)駕駛VLA模型的高效視覺(jué)Token剪枝的新范式，同時(shí)樹(shù)立了車(chē)端大模型高效部署上車(chē)的新標(biāo)桿。

此次論文入選AAAI 2026，是小鵬汽車(chē)今年第二次參與人工智能領(lǐng)域的國(guó)際頂級(jí)會(huì)議。早在今年6月，小鵬汽車(chē)曾作為CVPR WAD唯一邀請(qǐng)演講中國(guó)車(chē)企，分享自動(dòng)駕駛基座模型研發(fā)進(jìn)展。在今年11月的科技日上，小鵬汽車(chē)正式推出第二代VLA，創(chuàng)新性地去掉了“語(yǔ)言轉(zhuǎn)譯”環(huán)節(jié)，首次實(shí)現(xiàn)從視覺(jué)信號(hào)到動(dòng)作指令的端到端直接生成，顛覆了行業(yè)傳統(tǒng)的「V-L-A」架構(gòu)，探索全新物理AI模型范式。這些成果都為全球自動(dòng)駕駛的研究和實(shí)踐注入了全新的動(dòng)力。

這一系列成果也彰顯了小鵬汽車(chē)從模型架構(gòu)設(shè)計(jì)、模型訓(xùn)練到模型蒸餾、部署上車(chē)的全棧自研能力。未來(lái)，小鵬汽車(chē)將繼續(xù)以L4為目標(biāo)，在AI大模型領(lǐng)域加大投入，加速物理AI大模型上車(chē)，讓更安全、高效、舒適的智駕體驗(yàn)惠及全球用戶(hù)。