报告概述
本报告由DeepRoute.ai在NVIDIA GTC 2026发布，核心阐述如何通过统一的基础模型（Foundation Model）推动自动驾驶迈向L5。报告围绕三大主题展开：模型缩放——构建40B参数的视觉-语言-动作（VLA）基础模型，作为统一的驾驶员、分析员和评判员；数据缩放——利用基础模型驱动数据闭环，将200K辆车的接管数据高效转化为训练样本，实现从5天到12小时的10倍加速；仿真——通过3D重建、风格迁移和物体插入技术生成长尾场景，并借助强化学习优化策略。报告揭示了传统数据闭环的瓶颈，展示了端到端视频预测预训练、分阶段训练（预训练、中训练、后训练）以及实时推理KV缓存等关键技术路径，为行业提供了从规模法则迈向L5的可行方案。
报告的核心结论
模型与数据缩放速度决定L5进展
报告指出，迈向L5的速度等于模型缩放速度乘以数据缩放速度。当前行业虽已采用端到端方案，但L5时间表不断推迟，根本原因在于模型容量不足（小模型饱和）和数据管道依赖人工、无法规模化。DeepRoute.ai通过统一基础模型同时解决两大瓶颈：40B VLA模型提供足够容量，FM驱动的数据管道将迭代周期从5天压缩至12小时，形成模型×数据的飞轮效应。
基础模型是数据管道的核心引擎
传统数据闭环中，问题发现、根因分析、数据挖掘、标注、训练和评估每个节点都依赖人工或规则，效率低且不随迭代积累。DeepRoute.ai用同一个基础模型赋能所有环节：自动诊断接管原因、AI挖掘高价值片段、链式思维（CoT）自动生成标注、动作评分替代人工审查。这一变革使原始数据到高质量训练样本的转化效率提升10倍以上，且每次迭代产生的标注数据可直接用于模型中训练。
仿真生成是解决长尾场景的终极手段
低频高风险的长尾场景无法等待自然发生。报告展示了基于NVIDIA开源工具链的3D场景重建（3DGUT+修复器）以及Cosmos风格迁移和DiPIR插入式编辑，可系统生成夜间、雨雪、眩光等天气变体，以及行人、骑车动物等突发障碍物。这些合成数据保留了真实几何与语义标签，用于后训练中的强化学习优化，使模型在极端边缘情况下做出更安全、精准的决策。
统一VLA模型兼顾驾驶、分析与评判
40B VLA基础模型通过分阶段训练统一三种角色：作为驾驶员输出动作序列，作为分析员/评判员对驾驶行为进行推理、评分和解释。其训练流程包括大规模视频预训练（预测每一像素，利用100%数据监督）、视觉-动作中训练（学习驾驶技能）、视觉-语言-动作中训练（加入结构化推理），以及后训练的强化学习策略优化。实时推理中通过KV缓存、MTP和量化加速，达到10-15Hz闭环控制，满足量产需求。
报告回答的关键问题
为什么当前端到端自动驾驶难以达到L5？
报告认为传统端到端自动驾驶虽然正确，但执行速度是瓶颈。具体表现为两个障碍：模型容量不足（小模型饱和，加入更多数据不再提升），以及数据管道依赖人工和规则，每个节点（挖掘、诊断、标注、评估）都需要人工参与，导致闭环迭代缓慢（超过5天）。DeepRoute.ai的解决方案是用一个40B VLA基础模型同时解决模型缩放和数据缩放，将迭代速度提升10倍，从而加速L5进程。
VLA基础模型如何实现实时推理？
VLA模型在推理时每次步进包括视觉编码（约30ms）、推理生成文本（15-40ms）和动作生成（约15ms），总计60-85ms。为达到10-15Hz的实时控制，报告采用了KV缓存避免历史重复计算、多令牌预测（MTP）以及量化加自研推理引擎调优。整个系统在500 TOPs以上的计算平台上运行，可实现毫秒级的闭环决策。
如何利用仿真生成自动驾驶长尾数据？
报告展示了两种方法：一是利用NVIDIA 3DGUT进行高保真3D场景重建，并通过修复器自动修复伪影，生成新视角（如纵向制动避让、横向绕行避让）；二是结合NVIDIA Cosmos风格迁移（将白天场景转为夜间/雨/雪/眩光）和DeepRoute DiPIR插入式编辑（在真实数据中插入3D模拟的突然障碍物如行人、骑车动物），系统化生成难以捕获的长尾风险场景。这些合成数据保留了真实几何与语义，可直接用于后训练强化学习。
报告中的代表性数据
已交付车辆数
截至2026年GTC，DeepRoute.ai截至演讲时已有20万辆车交付，作为数据飞轮的起点，目标向100万辆迈进。
实际道路测试里程
截至2026年GTC，报告显示累计真实世界行驶里程超过13亿公里，用于基础模型验证与迭代。
数据管道处理时间压缩
对比传统与FM驱动管道，传统数据闭环（人工挖掘、诊断、标注、训练、评估）耗时超过5天（100+小时），而基础模型驱动的全自动化管道将时间压缩至12小时，实现10倍加速。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 完整报告包含40B VLA基础模型的四阶段训练细节（预训练视频预测、中训练A/B/C阶段、后训练RL策略优化），以及每阶段的数据规模、模态组合和训练目标。
- 实时推理系统的延迟分解表（视觉编码30ms、推理15-40ms、动作生成15ms）以及KV缓存、MTP、量化等加速技术原理。
- 传统数据管道与FM驱动管道的对比流程图，展示从问题发现到模型部署各节点的角色变化，以及时间消耗对比。
- 数据挖掘、接管诊断、链式思维标注、动作评分四项任务中，规则/专用模型、SOTA大语言模型与DeepRoute FM的召回率、准确率、人机一致性、相关性等指标对比柱状图。
- 3D场景重建（3DGUT+修复器）的原始视图与新视角（纵向制动、横向绕行）效果图，以及Cosmos风格迁移和DiPIR插入编辑的示例图像。
- 后训练强化学习（RLCS）的框架图，说明FM驾驶员生成多个轨迹、FM评判员评估推理-动作一致性、规则奖励函数联合优化边缘案例。
- 从基础模型到产品线的映射图，展示不同计算平台（100 TOPs/500 TOPs/更大）对应的VA与VLA模型，以及Robotaxi、城市NOA等具体应用。
- 报告总结了从20万辆到100万辆的规模化路径，强调统一基础模型作为产品引擎和数据引擎的双重角色，最终通过接管率归零实现L5。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
