自动驾驶Ask Me Anything问答整理！VLA和WA的路线之争？

最新推荐文章于 2025-12-02 20:41:06 发布
转载 最新推荐文章于 2025-12-02 20:41:06 发布 · 337 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247681999&idx=2&sn=20824e35bdab79c7d35a17107276a8ee&chksm=cf410b66194f217e06da01d26a686c3011beca446a32fddf8c3c67ba7c37e6df79e584a6ecc5&scene=126&sessionid=0
文章标签：

#自动驾驶 #人工智能 #机器学习

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近30个方向学习路线

趁着小红书这波Ask Me Anything，跟着几位大佬学习到很多自动驾驶之心汇总了自动驾驶AMA的一些问答，分享给大家！AMA的完整版我们已经汇总至自动驾驶之心知识星球，后续还将持续整理大佬们的问答，欢迎加入和4000人一起交流自动驾驶最前沿~

小米陈龙

小米汽车自动驾驶与机器人Principal Scientist陈龙@陳龍龖龘

Q1：陈老师好！我目前是同济新大一学生（未选专业，工科可任选），未来想研究自动驾驶领域，请问您就行业发展与人才缺口而言推荐学什么专业呢？

A1：自驾有可能4年后就解决的差不多了，但AI方向肯定是没错的，所以有AI专业的话首选，没有的话就计算机

Q2：wayne工作体验怎么样呢？感觉很多黑科技，学生时代一直在follow

A2：wayve确实想得比较远，端到端，世界模型，VLA等自驾模型基本上都是产业界的开创者

Q3：请问你认为人类可以实现完全自动驾驶吗，如果可以大概还需要几年

A3：肯定可以的，L4其实Waymo、萝卜快跑已经实现了，L5可能还要至少5年

Q4：现在业界领先端到端能解决多少百分比的问题，上了vlm和vla又能把上限提升多少呢？

A4：个人认为90%吧，可以看下fsdtracker的top intervention，特斯拉把端到端做到极致了，安全性已经基本上能保证，剩下的大部分问题（比如lane issue）都是需要VLA去解决的

Q5：请教三个问题： 1. VLA和端到端的本质区别是什么？ 2. 语言是必须的吗，会不会世界模型才是终局？ 3. 怎么看待感知传感器里这两年提的比较多的成像毫米波雷达？

A5：1. VLA也是端到端，只是可以利用语言模态进行推理从而降熵增加确定性 2. 语言是必须的，参考猩猩学开车也能学会，但不理解这个世界没有语言推理能力终究会出各种问题 3. 4D毫米波雷达是一个纯视觉很好的冗余，当达到几千几万MPI时就会意识到冗余的重要性了

Q6：请问大佬认为做具身长期的个人竞争力是什么呢？ 多模态想转具身，但是不知道技能壁垒有多高

A6：现在具身领域vla很火，大模型转具身还是比较容易的。可以看一下openvla，phi0.5等经典工作的代码，只是在vlm上加了action policy。真正有竞争力的话还是需要更大的scale，更多创新，真机夸本体泛化等等。

Q7：vla到底有没有用？

A7：终局肯定是VLA，端到端只能解决基本的驾驶能力。道路是为人设计的，有很多需要基于认知推理的场景，所以让车更像人一样思考，是通往高阶自动驾驶的关键。

Q8：如果说端到端只解决基本的驾驶能力(即视距范围内的局部感知规划控制)，终局是VLA，那为什么终局不是Worldmodel(解决全局导航规划任务和车道级规划)+VA（解决局部感知规划）。一直觉得VLA中间转一层L 很多余，L可以做提示辅助（类似人开车时候的导航提示：前方100米左转），但不是必须的，因为我只看导航不听提示依然可以完成整个驾驶任务

A8：WM是为了加强端到端的能力，VLA不是为了简单转成L，是为了利用VL的泛化和推理能力，在长尾问题上做出较为正确的决策。

Q9：Momenta CEO 曹旭东认为VLA只能锦上添花，VLA概念跟更好的模型不是同一件事，实现规模化L4需要海量数据和强化学习技术。他似乎不太认同VLA路线，您怎么看？

A9：VLA也是端到端模型也可以用强化学习训练。自动驾驶L5的终局一定是VLA范式，而L4可能是纯端到端的上限，因为总会有长尾问题处理不了。

Q10：老师好，人形机器人的“像”（身体协调及美感）人和“做”（实用功能及效益）人哪个发展会最快及重要性和结合点

A10：短期内实用功能的发展会快于身体协调美感，并且从价值角度看“做”也远比“像”更重要，因为功能和效益是机器人商业化的核心，一个能干活但不太协调的机器人，远比一个动作优美但无法完成任务的机器人有价值。

PS. 欢迎添加柱哥微信交流

中科院夏中谱

中科院自动化所夏中谱@AI的前浪

Q1：老师 你能不能说下目前哪家车企智驾最强？

A1：从效果体验上看特斯拉还是当之无愧

Q2：理想小鹏的vla路线，和华为不搞vla搞wewa的路线，请问如何评价？希望您实话实说

A2：之前端到端视频输入轨迹输出，可以认为是个VA模型。VLA相当于是把LLM,模型能力引入到VA模型中，LLM模型优势在于模型参数量和海量互联网数据，具备zero/few-shot能力。但其主要学习的是语言数据，语言只是个宏观概念，很难对物理空间建模，如何让VLM具备空间理解能力也是当前研究热点。WM也不一样，直接在VA模型基础增加其他模态和数据，学习物理空间和运行规律，相对而言是个难度更大但更本质的方向。

Q3：老师，目前看到FSD在国内闯红灯乱压线错道行驶是数据上的问题还是模型有问题？上次看到澳大利亚北美本土FSD也存在这些问题。

A3：客观来说，现阶段的技术和人类司机一样，无法做到百分百不闯红灯和压实线，技术目标就是把这个做到百分百。数据里面会有这类人类灵活决策的情况，比如红绿灯坏了、道路堵塞了，都会发生红灯通过路口、压实线行驶的数据。

Q4：老师怎么看现在国内的自动驾驶解决方案的发展和欧美日的相比呢？比如欧美企业偏好的Mobileye（虽然目标客户可能也主要是欧美市场）

A4：目前看智驾在国内发展态势远优于国外，目前除了特斯拉，没有在国内能发的。

Q5：现在市面上的两段式端到端一般分为几类？

A5：主流方法有三种:1. 一段式端到端，感知结构化输出，规划使用结构化信息出轨迹，像华为的GOD+PDP，优势在于仿真容易。2. 一段式模块端到端，感知—规划隐式特征传递，信息更丰富，如UniAD。3. OneModel 端到端，感知和规划并行输出，规划可以提取到原始Image信息，信息利用率更高，如理想端到端。

美国智驾马千里

美国智驾公司Tech Leader马千里@白马网子-robotbrandonma

Q1：目前国内和特斯拉的差距是在哪呀？看上去算法都是端到端，国内还有vla了，车端算力也差不多（hw5之前），世界模型好像也能缩小数据的差异，是差在数据和云端算力上嘛

A1：个人猜测端到端本身的架构还是不一样，还有可能是特斯拉的Occ做的更好一些。世界模型能提供多少有效数据也是一个问题。最后就是即使是同样的架构，很多工程细节的叠加也会很大程度影响最终的效果。

Q2：还想问一下从你的视角看，国内的公司离特斯拉的差距还是很大嘛？是不是算法和工程上还是离得很远

A2：跟人觉得从前体验上差距不大，可能主要还是在算法上。软件工程上硅谷大企业的流程规范应该是普遍好于国内公司的。

Q3：传统决策规划还有前景吗

A3：个人认为在工业界是有的，只要是规模大、对安全性要求高的智能车/机器人产品，都需要规则兜底。尤其是智驾领域，欧洲有严格的ADAS行车法规，目前看用数据驱动的方式是没办法满足合规要求的。

Q4：即将毕业的三维视觉的博士生，请问应该进机器人公司还是智驾公司？想进机器人部门，但是一直被拒，说不match

A4：具体是3D视觉下面什么方向？我个人倾向于先到大一些的智驾公司训练成体系的工程思维，积累大型智能产品的成熟经验。机器人在产品层面还是在摸索之中，工程上走的弯路会比较多，如果不是以小搏大追求财富自由的话，个人觉得在个人成长上面速度偏慢。

Q5：请问智驾，激光雷达和纯视觉的优劣，未来可能的终极方案是什么

A5：激光雷达成本下来后应该没什么劣势。现在感知融合也没有技术阻碍，用激光雷达提供感知在距离上的精确冗余应该会是终极方案。

Vbot余轶南

维他动力创始人兼CEO余轶南@余轶南-Vbot维他动力

Q1：余老师，请教一个问题：您觉得WM应该如何更好地应用在机器人/具身智能里，除了大家现在常用视频预测用以构建数据生成和仿真以外，有没有更本质的应用方法？

A1：WM本质是对世界建模，构建世界的基础知识，需要很强的泛化性，目前做视频自监督（比如auto-regression）是一种主流的方式，也可以扩展到更多维度的数据，对广义的数据做input-output自监督，这是一种技术方案，也会有其他的方案，都值得尝试

上交陈思衡

上交副教授、博导，CMU博士@陈思衡

Q1：陈老师好，想向您咨询一下，您如何看待协同自动驾驶的发展趋势呢？

A1：这两年灌灌水还是挺不错的 问题空间够大，可以提很多新任务，比较容易自证技术创新，但是短期落地比较成问题。长期来看，很大比例的车会有自驾功能，这些智能车之后跟智能手机一样联网在一起，分享一些必要的观测和决策数据，应该是个非常自然的事儿

双节优惠倒计时！欢迎加入~

自动驾驶Ask Me Anything ！VLA和世界模型的路线之争？
3D视觉工坊
10-06 189
3. OneModel 端到端，感知和规划并行输出，规划可以提取到原始Image信息，信息利用率更高，如理想端到端。WM本质是对世界建模，构建世界的基础知识，需要很强的泛化性，目前做视频自监督（比如 auto-regression ）是一种主流的方式，也可以扩展到更多维度的数据，对广义的数据做input-output自监督，这是一种技术方案，也会有其他的方案，都值得尝试。语言是必须的吗，会不会世界模型才是终局？前景很好啊，目前端到端没有长期的记忆，思考和规划能力，Vla和wm很好的补齐了这些能力。
VLA和World Model世界模型，哪种自动驾驶路线会胜出？
CV_Autobot的博客
09-05 1124
换句话说，VLA没有智慧，它只是在模仿，只是记忆力比较好，而世界模型拥有智慧，拥有对物理世界的理解，能够推导出因果关系，能做到零样本学习，无需标注的数据。其次是token化的视觉或点云难以表达物理世界的全部信息，理论上世界模型泛化能力很强，具备因果推理，但还是受限于传感器的信息，物理世界不只有视觉，视觉也不是像摄像头这样，有帧率，有FOV，人眼类似于事件相机，只在意有价值的信息，而目前摄像头和激光雷达做不到。世界模型和VLA，VLA大概率胜出，不过这个VLA不是纯粹VLA，是结合了世界模型增强的VLA。
康奈尔大学！自动驾驶和具身智能最新VLA综述~
CV_Autobot的博客
05-12 522
通过这种方式，VLA模型能够从配对的视觉、语言和轨迹数据中学习，从而显著提高机器人在未见过的对象上的泛化能力、对新语言指令的理解能力，以及在非结构化环境中的多步推理能力。在实际应用中（如自动驾驶或医疗机器人），错误的动作可能导致严重后果，因此必须开发新的建模和评估标准来验证VLA系统的端到端安全性。在Vision-Language-Action（VLA）模型发展之前，机器人技术和人工智能的进步主要发生在独立的领域：能够看见和识别图像的视觉系统，能够理解和生成文本的语言系统，以及能够控制运动的动作系统。
VLA：自动驾驶的“新大脑”？
MonkeyDhouzi的博客
07-25 3092
VLA 是自动驾驶系统的一次范式转变，它让车不只是“能动”，而是“能懂”。 但要真正实现“像人一样开车”，我们还需要更多的数据、更强的算力、更成熟的工程能力——以及时间。
VLA与世界模型：自动驾驶的“双脑之争”，谁将胜出？
2501_93430156的博客
09-23 1366
VLA（视觉-语言-行动模型）是一种端到端的多模态人工智能系统，它通过视觉感知、语言理解和行动执行三个模块的整合，直接将传感器输入映射为控制输出。世界模型则采取了不同的路径，它试图让AI学会理解物理世界的运行规律，通过预测未来状态来指导当前行动。其核心是让AI在内部模拟环境中进行“思想实验”，预测不同行动可能带来的后果。
开源自动驾驶VLM/VLA！基于任意大模型的视觉推理
qq_50213874的博客
05-31 1400
视觉语言模型（VLMs）因其强大的推理能力，在自动驾驶领域受到日益广泛的关注。然而，现有VLMs通常采用针对特定场景设计的离散文本思维链（Chain-of-Thought, CoT），这种表征本质上是对视觉信息的高度抽象和符号化压缩，可能导致空间-时间关系模糊以及细粒度信息丢失。自动驾驶是否更适合通过真实世界模拟与想象建模，而非纯粹依赖符号逻辑？本文提出一种时空思维链（spatio-temporal CoT）推理方法，使模型可视化地思考。首先，VLM作为世界模型生成统一图像帧以预测未来世界状态：其中感知结果
端到端自动驾驶VLA模型：技术解析与模型设计
a8598671的博客
03-26 3052
目前大语言模型较为成熟，因此无论是VLM或者VLA模型都是以大语言模型为基础的。MLLMs 拥有两大优势：一是训练数据来自大规模互联网，拥有广泛的“世界知识”；二是具备强大的推理能力（如 CoT chain-of-thought），这是现有驾驶模型难以具备的。EMMA 基于多模态大语言模型构建，能够直接将原始摄像头传感器数据映射为多种驾驶相关输出，包括规划轨迹、感知目标以及道路图结构等。
VLA，是不是自动驾驶的下一站？
shenzhoubb2017的博客
03-27 1167
理想元戎打响VLA第一枪。
端到端自动驾驶大模型：视觉-语言-动作模型 VLA
m0_74824483的博客
05-16 1213
随着Nerf、3DGS技术的发展，感知道路结构的技术逐渐成熟，这减少了对百度、高德等高清地图的依赖，即使在普通导航地图区域也能感知标准的道路结构，大大提升了自动驾驶系统实用性。目标、障碍物检测和道路结构感知逐渐统一，但决策规划仍以Rule-based为主，导致算法迭代需要大量人力，代码复杂且泛化能力有限。随着Tesla FSD v13版本的发布，基于强化学习的决策规划算法有潜力超越经过大量人力资源精心打磨的规则式算法，而且感知和规划可以融合为一个AI模型，即端到端自动驾驶大模型。
自动驾驶基于VLM/VLA多模态模型的智能驾驶系统设计：视觉语言动作融合技术在场景理解与决策规划中的应用
09-28
文章从“端到端”自动驾驶范式出发，对比了VLM和VLA的技术演进路径，阐述了VLM通过融合视觉与语言实现场景理解与推理的能力，以及VLA在此基础上引入动作解码，实现从感知到决策再到控制的闭环系统。文中详细解析了...
全球首个自动驾驶VLA综述重磅发布：VLA自驾模型全面拆解（麦吉尔&清华等）
CV_Autobot的博客
07-03 1886
这为训练和评估模型的解释能力提供了宝贵的“标准答案”，被。它覆盖了广泛的“野生”驾驶情境，并提供了独特的评估协议，该协议基于人类偏好的驾驶决策来为VLA模型打分，填补了传统感知评估套件的空白。然而，新的挑战也随之浮现：如何高效索引城市规模的记忆库，如何将LLM的复杂推理控制在30Hz的控制循环内，以及如何对这种由语言调节的策略进行形式化验证。这四个阶段清晰地展示了语言在自动驾驶系统中角色和能力的演进：从一个被动的“解释者”，逐步成长为主动的“规划者”，最终演变为具备高级推理能力的“决策核心”。
Co-MTP：面向自动驾驶的多时间融合协同轨迹预测框架
m0_65010824的博客
12-02 747
本文是对论文《Co-MTP: A Cooperative Trajectory Prediction Framework with Multi-Temporal Fusion for Autonomous Driving》的深度解读。在自动驾驶领域，V2X技术虽能突破单车感知局限，但现有研究难充分利用帧间时间线索支撑轨迹预测。同济大学团队提出Co-MTP框架，创新实现历史与未来双时间域融合，以异构图Transformer处理不完整历史轨迹、扩展至未来域捕捉交互，在V2X-Seq数据集获最优性能。
基于perscan、simulink、carsim联仿的自动驾驶避障模型：动态工况下的边界约束...
2508_94198873的博客
11-30 316
从Carsim回传的数据看，车辆轨迹像被磁铁吸着一样紧贴道路中心线，横向位移始终控制在±1.5米内。顺便吐槽下Carsim的方向盘灵敏度，调参这事儿真是玄学，改天得专门写个自适应参数整定模块。这段代码里的road_width*0.8就是给马路边界留的缓冲带，相当于在真实道路边界内侧20%的位置画了条隐形的警戒线。这个clamp函数不仅防了转向过载，其实也暗戳戳守护了道路边界——转向角度越大，车辆横向位移变化率越高，限制转向本质上也是边界防护的手段之一。p1：对边界条件做了约束，避免为了避障而跑出马路。
自动驾驶之眼：动态目标理解的关键突破
最新发布
alex1013999的博客
12-02 645
自动驾驶系统中的动态目标理解是保障行车安全的核心技术，涉及目标检测识别、跟踪、状态估计和行为预测等多个环节。当前主流方法采用多传感器融合（摄像头、激光雷达、毫米波雷达）结合深度学习算法，但仍面临长尾场景、复杂交互、遮挡和预测不确定性等挑战。未来发展趋势包括深化多模态融合、发展交互式预测模型、利用高清地图信息以及探索端到端学习等方向。解决这些技术难题将推动自动驾驶在复杂道路环境中的安全应用。
Don’t Shake the Wheel: 端到端自动驾驶中的动量感知规划（MomAD）
m0_65010824的博客
12-02 834
本文是对论文《Don’t Shake the Wheel: Momentum-Aware Planning in End-to-End Autonomous Driving》的深度解读。在端到端自动驾驶领域，多模态规划易受单帧感知局限，存在时间不一致、遮挡敏感等问题。论文团队提出 MomAD 框架，引入轨迹与感知动量，通过 TTM 模块（豪斯多夫距离选轨迹）、MPI 模块（融合历史查询）及鲁棒去噪，结合 Turning-nuScenes 数据集与 TPC 指标，显著提升规划稳定性，降低碰撞率。
将NuScenes自动驾驶数据集导入Xtreme1标注平台
Hi20240217的博客
12-01 646
摘要：本文介绍了将NuScenes自动驾驶数据集转换为Xtreme1标注平台兼容格式的方法。NuScenes数据集包含多传感器数据和3D标注，而Xtreme1平台有其特定的数据组织要求。转换过程包括：1)数据结构映射，建立相机索引对应关系；2)坐标系转换，实现激光雷达与相机数据的对齐；3)点云格式从.bin转为.pcd；4)3D标注信息格式转换。通过Python脚本自动完成这些转换步骤，使用户能够在Xtreme1平台上高效标注NuScenes数据，支持2D/3D融合标注工作。
《自动驾驶与大模型融合新趋势：端到端感知-决策一体化架构分析》
nmdbbzcl的博客
12-01 658
从规则工程到大模型，从模块堆叠到端到端一体化。过去依赖工程师“穷举规则”的时代，已经无法支撑未来复杂城市交通与全球化扩张的需求；而以大模型为核心、端到端感知-决策一体化的架构，则在可扩展性、泛化能力和迭代效率上展现出巨大的潜力。特斯拉 FSD V12/13 用大规模端到端模型在量产车上完成了“从 perception-heavy 到 behavior-heavy”的范式转变；UniAD、DriveGPT4 等研究工作证明了，在学术基准数据集和模拟环境中，端到端一体化可以显著提升整体闭环表现；
目标检测数据集 - 自动驾驶场景驾驶员注意力不集中检测数据集下载
极智视界
12-01 377
目标检测数据集 - 自动驾驶场景驾驶员注意力不集中检测数据集下载「包含VOC、COCO、YOLO三种格式」
自动驾驶VLA和VLM
08-15
### VLA与VLM的核心区别 在自动驾驶领域，VLM（视觉-语言模型）和VLA（视觉-语言-动作模型）代表了两种不同层次的技术架构。VLM主要关注于环境建模，即通过视觉和语言信息对周围环境进行理解和描述。它能够识别道路、障碍物、交通标志等关键元素，并结合自然语言处理能力对场景进行语义层面的解析。例如，VLM可以理解“前方有行人过马路”这样的描述，并将其转化为对环境的认知[^1]。 相比之下，VLA则是在VLM的基础上进一步扩展，不仅关注环境建模，还涵盖了路径规划和控制策略的生成。VLA模型能够直接从视觉输入和语言指令中提取特征，并生成具体的车辆控制指令，如转向、加速或减速。这意味着VLA不仅仅是在“看懂”环境，更是在“行动”，即根据对环境的理解做出实时的决策和控制[^2]。 ### 技术应用与落地情况 在实际应用中，VLM已经被广泛用于自动驾驶系统的感知模块，帮助车辆更好地理解复杂的交通环境。例如，通过结合多模态大语言模型（MLLMs），VLA能够利用模型的世界知识分析驾驶环境，在复杂场景中进行安全决策的推理。这种方式不仅简化了系统架构，还减少了信息传递过程中的损失，提高了整体系统的效率和可靠性[^2]。 而VLA作为VLM的升级版本，正在成为自动驾驶领域的研究热点。相比于传统的端到端方案，VLA方案拥有更高的场景推理能力与泛化能力。许多智驾行业的领导者都将VLA视为当前“端到端”方案的2.0版本，并将其看作是端到端+VLM的合体。VLA的优势在于其能够通过强化学习形成“思维能力”，自主处理新场景（如未知路况），从而实现更高效的城区自动驾驶支持[^3]。 ### 技术发展趋势 随着自动驾驶技术的不断进步，VLA和VLM的应用也在不断发展。VLM在环境建模方面的表现已经非常出色，但其主要局限在于无法直接生成控制指令，需要与其他模块配合使用。而VLA则通过引入语言模态，实现了从感知到决策再到控制的全流程自动化，极大地提升了系统的智能化水平。 未来，随着深度学习和强化学习技术的进一步成熟，VLA有望在更多复杂场景中发挥作用，尤其是在城区自动驾驶领域。通过不断优化模型结构和训练方法，VLA将能够更好地应对各种突发情况，提高自动驾驶的安全性和可靠性。 ### 示例代码：VLA的基本工作流程 以下是一个简化的VLA工作流程示例，展示了如何从视觉输入和语言指令中生成控制指令： ```python import torch from transformers import CLIPProcessor, CLIPModel class VLA: def __init__(self): self.clip_model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32") self.clip_processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32") self.controller = torch.nn.Linear(512, 3) # 输出控制指令：转向、加速、刹车 def process_input(self, image, text): inputs = self.clip_processor(text=text, images=image, return_tensors="pt", padding=True) outputs = self.clip_model(**inputs) image_features = outputs.image_embeds text_features = outputs.text_embeds combined_features = torch.cat((image_features, text_features), dim=1) control_commands = self.controller(combined_features) return control_commands # 示例使用 vla = VLA() image = "path_to_image.jpg" # 假设这是车辆摄像头捕捉到的图像路径 text = "前方有行人过马路，请减速慢行" # 语言指令 control_commands = vla.process_input(image, text) print(f"生成的控制指令: {control_commands}") ``` 这段代码展示了VLA如何利用CLIP模型提取图像和文本的特征，并通过一个简单的线性层生成控制指令。虽然这只是一个简化的示例，但它体现了VLA的基本工作原理[^2]。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值