Câu trả lờiĐã xuất bản15 nguồn
HyWorldVLA: Cách BYD dung hòa độ chi tiết và hiệu quả tính toán cho xe tự lái
HyWorldVLA của BYD đạt 90,59 PDMS trên NAVSIM v1 nhờ kết hợp giám sát cấp pixel với dự đoán trong latent space nén. Hệ thống lần lượt huấn luyện video VAE, tiền huấn luyện mô hình thế giới với giám sát kép, rồi đồng tinh chỉnh cùng một action expert để tạo quỹ đạo.
Đăng bởiBiên tập bằng GPT-5.6 TerraHình ảnh được tạo bằng GPT Image 2
Câu trả lời nghiên cứu
Bài học chính
- HyWorldVLA của BYD đạt 90,59 PDMS trên NAVSIM v1 nhờ kết hợp giám sát cấp pixel với dự đoán trong latent space nén.
- Hệ thống lần lượt huấn luyện video VAE, tiền huấn luyện mô hình thế giới với giám sát kép, rồi đồng tinh chỉnh cùng một action expert để tạo quỹ đạo.
- Khi bỏ dự đoán cấp pixel, PDMS giảm còn 87,50; khi bỏ xử lý latent space, điểm giảm còn 89,91, cho thấy hai thành phần bổ trợ cho nhau.
Prompt AI
openai.comCreate a landscape editorial hero image for this Studio Global article: How did BYD’s newly revealed AI team develop HyWorldVLA—a Vision-Language-Action autonomous-driving foundation model that combines pixel-lev. Article summary: BYD’s first public autonomous-driving foundation-model paper presents HyWorldVLA as a hybrid VLA system: it uses pixel-level reconstruction to preserve scene detail and latent-space prediction to make planning more robus. Topic tags: general, academic, general web, government, education. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermark
BYD giới thiệu HyWorldVLA như một mô hình Vision-Language-Action (VLA) cho lái xe tự động, xây dựng trên ý tưởng “mô hình thế giới” lai. Thay vì chọn một cách biểu diễn duy nhất, hệ thống kết hợp hai lớp nhìn về môi trường đường sá: dự đoán chi tiết ở cấp pixel và biểu diễn nén trong latent space (không gian tiềm ẩn). 1
Cách tiếp cận này nhằm giải bài toán đánh đổi quen thuộc: mô hình hóa theo pixel giữ được nhiều chi tiết hình ảnh nhưng tốn tài nguyên tính toán; còn mô hình hóa trong latent space giúp dự đoán và lập kế hoạch hiệu quả hơn, song có nguy cơ làm mất những thông tin quan trọng với việc lái xe. 1
Ý tưởng cốt lõi: học kỹ như pixel, chạy gọn như latent
Trong giai đoạn huấn luyện, HyWorldVLA dùng giám sát cấp pixel để buộc biểu diễn latent vẫn bám sát cảnh thực. Nhưng khi suy luận — tức lúc hệ thống đưa ra dự đoán để phục vụ vận hành — mô hình chỉ dự đoán các đặc trưng latent, rồi chuyển chúng cho một action expert chuyên tạo quỹ đạo lái xe. 1
7
Nói đơn giản: pixel đóng vai trò kiểm tra độ trung thực của cảnh trong quá trình học, còn latent space là phần được ưu tiên khi cần vận hành hiệu quả. Điều này giúp tránh phải tạo lại toàn bộ khung hình ở cấp pixel trong mỗi bước dự đoán quỹ đạo.
Quy trình huấn luyện gồm ba giai đoạn
1. Huấn luyện video VAE có hướng dẫn từ ngôn ngữ
Trước hết, một video variational autoencoder (VAE) nén chuỗi video lái xe thành các đặc trưng latent. Thông tin ngôn ngữ được đưa vào như bối cảnh ngữ nghĩa trong quá trình huấn luyện bộ nén. 2
5
Mục tiêu không đơn thuần là nén video cho nhỏ hơn. Không gian latent cần giữ lại những tín hiệu có ích để mô hình có thể dự báo diễn biến phía trước và đưa ra quyết định lái xe sau đó.
2. Tiền huấn luyện mô hình thế giới lai
Ở bước tiếp theo, hình ảnh, hành động, thông tin ngôn ngữ và đặc trưng latent được đưa về các token rời rạc thống nhất để mô hình dự đoán tự hồi quy. HyWorldVLA vừa dự đoán latent của video tương lai, vừa tái tạo các khung hình tương lai. 1
2
Đây là cơ chế giám sát kép:
- Dự đoán và tái tạo pixel giúp mô hình duy trì sự bám sát với chi tiết thị giác của cảnh đường.
- Dự đoán latent tạo ra tín hiệu nén, phù hợp hơn cho dự báo và lập kế hoạch trong tương lai.
Vì vậy, hàm mất mát ở cấp pixel hoạt động như một ràng buộc: nó hạn chế việc không gian latent nén cảnh quá mạnh đến mức bỏ qua các chi tiết cần thiết cho lái xe. 1
7
3. Đồng tinh chỉnh cùng action expert
Ở giai đoạn cuối, BYD tối ưu mô hình thế giới cùng một mô-đun chuyên về hành động/quỹ đạo. Khi suy luận, hệ thống không tạo các khung hình đầy đủ ở cấp pixel mà dự đoán đặc trưng latent, sau đó đưa chúng vào action expert để sinh quỹ đạo xe. 1
Sự phân vai này là điểm then chốt về hiệu quả: hệ thống tận dụng sự giám sát giàu chi tiết của pixel trong quá trình huấn luyện, nhưng không phải trả cùng chi phí tính toán đó khi chạy dự đoán.
Các thử nghiệm loại bỏ thành phần nói gì?
Trên NAVSIM v1, HyWorldVLA công bố điểm 90,59 PDMS — được bài báo và các báo cáo liên quan mô tả là mức dẫn đầu trong các kết quả công khai tại thời điểm đó. 1
7
Các thử nghiệm ablation, tức lần lượt loại bỏ từng thành phần để đo tác động, cho thấy thiết kế lai không chỉ là ghép thêm tính năng:
- Bỏ dự đoán cấp pixel: PDMS giảm từ 90,59 xuống 87,50.
7
- Bỏ xử lý trong latent space: điểm giảm còn 89,91.
- Bỏ hướng dẫn ngôn ngữ khỏi mô-đun latent: điểm giảm xuống 90,35.
20
Kết quả này ủng hộ lập luận rằng pixel và latent giải những phần việc khác nhau: pixel giúp giữ độ trung thực của cảnh, còn latent cung cấp biểu diễn gọn hơn để phục vụ dự đoán hành động.
Vì sao trọng số hàm mất mát lại quan trọng?
Bài báo khảo sát hai trọng số: λ1 cho hàm mất mát dự đoán video token và λ2 cho tính nhất quán của biểu diễn latent. 20
Khi cố định λ2 ở 0,1, tăng λ1 từ 0,1 lên 0,5 giúp PDMS tăng từ 90,48 lên 90,59. Tuy nhiên, khi λ1 tăng lên 1,0, điểm lại giảm xuống 89,83. 20
Ngược lại, khi cố định λ1 ở 0,5, việc tăng λ2 vượt 0,1 làm hiệu năng giảm: ở mức 0,2, PDMS là 90,47, rồi tiếp tục đi xuống khi trọng số tăng thêm. 20
Thông điệp ở đây không phải “càng nhiều giám sát càng tốt”. Mô hình cần đủ ràng buộc pixel và latent để không đánh mất thông tin hữu ích, nhưng quá nhiều ràng buộc có thể khiến biểu diễn trở nên quá cứng và làm suy giảm hiệu quả lập kế hoạch.
PDMS trên NAVSIM v1 đo những gì?
PDMS là chỉ số tổng hợp đánh giá chất lượng lái xe trong NAVSIM — một bộ benchmark mô phỏng cho lái xe tự động. Nó bao gồm các yếu tố như tránh va chạm do xe tự gây ra, tuân thủ vùng có thể chạy, thời gian đến va chạm tiềm tàng, độ êm của chuyển động và mức tiến triển của xe trên lộ trình. 2
Vì thế, điểm 90,59 không đơn thuần phản ánh khả năng nhận diện hình ảnh. Nó phản ánh hiệu năng lập kế hoạch lái xe trong điều kiện và tiêu chí của benchmark này. Tuy nhiên, đây vẫn là kết quả đánh giá trong môi trường mô phỏng, không phải xác nhận độc lập về độ an toàn hay hiệu năng ngoài đường thực tế.
Điều này cho thấy gì về chiến lược AI của BYD?
Công trình được gắn với Automotive New Technology Research Institute của BYD, cho thấy hãng đang công khai đầu tư vào nghiên cứu các mô hình nền tảng phục vụ lái xe tự động. 1
Các thông tin về mối liên hệ của đội ngũ với chuyên môn robot của Harbin Institute of Technology là đáng chú ý, nhưng bằng chứng sơ cấp hiện có chưa đủ để xác nhận nền tảng học thuật của từng nhà nghiên cứu. 5
Trong bối cảnh cạnh tranh với NIO, XPeng và Li Auto, HyWorldVLA mang lại cho BYD một kết quả nghiên cứu VLA và world modeling có thể đo lường công khai. Đây là dấu hiệu về năng lực nghiên cứu nội bộ, chứ chưa phải bằng chứng BYD đã dẫn trước về lái xe tự động trong thực tế.
Quy mô triển khai xe của BYD có thể trở thành lợi thế nếu hãng chuyển được kết quả nghiên cứu thành sản phẩm an toàn, được kiểm chứng và triển khai hiệu quả. Bài kiểm tra quan trọng tiếp theo sẽ không chỉ là một benchmark mới, mà là khả năng đưa mô hình từ mô phỏng ra vận hành đáng tin cậy trên đường thực.
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "HyWorldVLA: Cách BYD dung hòa độ chi tiết và hiệu quả tính toán cho xe tự lái" là gì?
HyWorldVLA của BYD đạt 90,59 PDMS trên NAVSIM v1 nhờ kết hợp giám sát cấp pixel với dự đoán trong latent space nén.
Những điểm chính cần xác nhận đầu tiên là gì?
HyWorldVLA của BYD đạt 90,59 PDMS trên NAVSIM v1 nhờ kết hợp giám sát cấp pixel với dự đoán trong latent space nén. Hệ thống lần lượt huấn luyện video VAE, tiền huấn luyện mô hình thế giới với giám sát kép, rồi đồng tinh chỉnh cùng một action expert để tạo quỹ đạo.
Tôi nên làm gì tiếp theo trong thực tế?
Khi bỏ dự đoán cấp pixel, PDMS giảm còn 87,50; khi bỏ xử lý latent space, điểm giảm còn 89,91, cho thấy hai thành phần bổ trợ cho nhau.
Nguồn
car.tom.com比亚迪推出混合世界模型HyWorldVLA
eu.36kr.comBYD Unveils Its AI Team for the First Time: Boasting Top Harbin Institute of Technology Robotics Technical Genes, Debut Large Model Hits SOTA Level