分层驱动 VQA 中的跨阶段一致性：显式基线和学习门控上下文投影仪

自动驾驶的图形视觉问答（GVQA）将推理组织为有序阶段，即感知、预测和规划，其中规划决策应与模型自身的感知保持一致。我们使用两种互补机制对 DriveLM-nuScenes 上的跨阶段上下文传递进行了比较研究。显式变体无需额外训练即可在域适应的 4B VLM (Mini-InternVL2-4B-DA-DriveLM) 上评估三种基于提示的调节策略，将 NLI 矛盾减少高达 42.6%，并建立强大的零训练基线。隐式变体引入了门控上下文投影仪，它从一个阶段提取隐藏状态向量，并将归一化的门控投影注入到下一阶段的输入嵌入中。这些投影仪与舞台专用 QLoRA 适配器在通用 8B VLM (InternVL3-8B-Instruct) 上进行联合训练，同时仅更新约 0.5% 的参数。隐式变体在规划阶段 NLI 矛盾方面实现了统计上显着的 34% 减少（引导 95% CI，p < 0.05），并将跨阶段蕴涵增加了 50%，使用多语言 NLI 分类器进行评估以考虑混合语言输出。规划语言质量也有所提高（CIDEr +30.3%），但由于缺乏驱动域预训练，词汇重叠和结构一致性会下降。由于这两个变体使用不同的基础模型，我们将它们作为补充案例研究：显式上下文传递为表面一致性提供了强大的 无需训练 基线，而隐式门控投影提供了显着的规划阶段语义增益，表明域适应作为全谱改进的下一个合理因素。