开车时，想清楚路线可以慢一点，但看到红灯、修正方向不能等。传统自动驾驶大模型若来不及处理新画面，只能重复上一条指令。论文把这两件事拆开：70亿参数的视觉语言模型负责低频理解导航和路况，每秒运行5次；较轻的动作模块每秒运行20次，根据最新画面持续预测路径点。
两者靠 KV Cache 连接——它像慢速模型留下的“思考笔记”，动作模块可以直接读取，不必每次重算全部历史。由于笔记可能稍旧，训练时还会随机模拟信息延迟，让动作模块学会结合当前画面补偿。
作者在 CARLA 模拟器的 LangAuto-Short 路线上报告：系统每50毫秒产生一次新控制，路线完成率从跳帧基线的37.0升至94.0。只比较同一动作模块时，把控制从10 Hz提高到20 Hz，也让完成率从82.1升至94.0，并使闯红灯次数减少约三分之一。结果来自两次运行，说明方向很实用，但稳定性仍需更多实验确认。