理想的论文里讨论了 VLA 里 L 存在的价值，
加入 L 之后提升最大的 3 个场景是：

1.根据导航选择车道
2.遇到施工需要避让
3.信号灯关系识别

具体看一些例子：

① 施工区变道，L提供的信息：「前方车道被施工设施封闭无法通行，右侧车道畅通，自车可以向右变道」

②导航，提示「83米前右转，车道属性从左到右：左转、直行+右转，请使用最右车道」，而没有 L 模型倾向于保持当前车道。

③红绿灯，路口左转，面对复杂的红绿灯组合。没有 L 的时候模型选择等待，因为看不懂具体的含义，又 L 之后「前方自车道的信号灯包括左转箭头灯和直行圆灯，分别控制左转和直行方向。目前交通灯允许自车左转」，就能左转。

综合去看，在理想的这些测试集里，L 在红绿灯场景提升最大，可以提升 25% 左右，导航也能提升 10%, 而 Road Marking 车道线检测和 Dynamic Obstacle 动态避障这种任务主要还是靠视觉信息，L 的意义不大。

但还有一个问题，L 加入之后可能会输出更保守的结果，在前面有车阻挡，左边车道有车但车比较远的时候，如果只有 V 参与就能直接向左变道超车，但是 L 加入反倒认为左边有车暂时先别变。

最后，理想这个论文用的 L 全都是用的 GPT, Gemini, Claude 的 API,所以还是云端推理，并不是本地部署的，那想要本地部署的话，算力就很重要了