大型语言模型能够理解乘客的驾驶指令，但在作为驾驶代理时只能在生成的文本中推理数秒，并且必须从场景坐标中隐式推断每个动作的后果。我们提出 Jev‑AD，将 Jev（一个以概率回答预定义问题的类型化决策模型）与语言世界模型相结合，后者为每个候选动作预测邻近车辆在未来两秒的运动轨迹。代码将这些轨迹转换为可预见的后果，Jev 直接比较这些后果而不是从坐标中自行推断。\n\n在模拟高速合流任务（500 场汽车剧集）中，前瞻机制将同一决策模型的碰撞率从 26.0% 降至 2.4%，每次决策耗时 0.25 秒；在自由文本指令试验中，Jev‑AD 能以 93% 的成功率实现乘客意图。\n\n在 500 条真实 NGSIM 回放中，前瞻将碰撞率从 48.2% 降至 2.8%，且从该交通数据学习得到的世界模型能够预见 93% 的危险动作。项目页面：https://ys-qu.github.io/jev-ad-website。\n\n点评：Jev‑AD 通过显式的行为预测将语言模型的模糊推理转化为可验证的安全约束，实现了显著的碰撞率下降和指令执行率提升，为语言驱动的自动驾驶提供了可行的安全路径。