推荐理由：特斯拉 AI6 芯片算力翻倍，2028 年投产

推荐理由：自动驾驶感知团队终于有了专门应对远距离稀疏场景的融合方案——ATN3D在>30m目标上提升明显，做多传感器融合的开发者值得关注。

推荐理由：英伟达与LG的深度合作打通了从AI模型训练到机器人部署的全链条，做智能制造、机器人或自动驾驶的团队可以直接参考其技术路径，值得关注。

推荐理由：自动驾驶安全测试场景生成一直面临计算慢、动作不真实的问题，RiskFlow 用单次前向传播替代迭代去噪，做仿真评估的团队可以直接用，效果比扩散方法更高效更保真。

推荐理由：英伟达把自动驾驶模型参数翻了三倍，还开源了全套工具链，做 L4 研发的团队可以直接省掉从零搭建的环节，建议关注夏季开源代码。

推荐理由：Fortsense 的单芯片 RGBD 相机有望简化自动驾驶和机器人的感知系统，降低硬件成本，做自动驾驶或机器人开发的团队值得关注这一进展。

推荐理由：自动驾驶安全团队终于有了可量化的推理可靠性指标——CoC一致性比直接测轨迹更早暴露风险，做VLA部署或安全验证的开发者值得关注这个监控思路。

推荐理由：自动驾驶团队终于有了兼顾安全与意图的强化学习方案——CoPhy用蒸馏VLM和BEV世界模型解决了行为克隆的瓶颈，做端到端驾驶的开发者可以直接参考其双奖励机制。

推荐理由：这篇论文用逆运动学原理解决了Driving VLA忽视视觉特征的顽疾，做自动驾驶轨迹规划的团队值得关注——0.5B模型就能达到7B-8B的效果，意味着更低的部署成本和更好的视觉鲁棒性。

推荐理由：自动驾驶团队终于有了一个自动对齐人类偏好的实用方法——用 VLM 生成偏好对再微调，比手工标注高效太多，做运动预测或决策规划的开发者值得一试。

推荐理由：VLA 驾驶模型的推理不忠实问题直接关系到自动驾驶安全，做自动驾驶或具身智能的开发者值得关注——你的模型可能声称停车但实际在开。

推荐理由：CLOVER 解决了自动驾驶规划中训练与评估不匹配的核心痛点，做端到端规划的研究者和工程师可以直接参考其生成器-评分器框架和闭环自蒸馏方法，有望提升实际部署中的规划鲁棒性。

推荐理由：自动驾驶研究者终于有了一个统一 VLA 与世界模型的开源方案——OneVL 在精度和速度上均优于现有方法，做端到端驾驶或世界模型开发的团队可以直接拿来用。