SHAOJIE'S BOOK

导言

自动驾驶 VLA（Vision-Language-Action）模型中，VLM 和 DiT 是两个核心组件。但很多人会有一个常见误解：DiT 是用来生成图片的。实际上，在自动驾驶场景中，DiT 更多是作为动作/轨迹生成器，而非图像生成器。

VLM 负责”看懂路况和指令”，DiT 负责”生成一段连续、平滑、多模态的驾驶动作/轨迹”。