让 AI 预演一次转弯，如果它还沿用直行时的“草稿”，画面就可能跑偏；可若每一步都重算，生成未来道路视频又很慢。DriveCache 瞄准这个两难：驾驶世界模型——按道路画面、车辆状态和控制计划生成未来场景的模型——通常依靠扩散模型，多轮去除噪声，每轮都要运行昂贵的大模型。
它的关键不是一味增加缓存，而是先看车辆准备怎么走。DriveCache 根据自车运动——摄像头所在车辆自身的平移和转动——估计旧计算可复用到什么程度，再用动态规划安排哪些去噪步骤跳过重算。若运行中的偏移超出校准范围，它会立即刷新缓存，并重排剩余步骤；首步和不受支持的场景则保留完整计算。
作者称，这套无需重新训练的控制器在三种生成器配置上，取得了优于所比较缓存方法的画质—效率权衡。论文给出其在 Wan2.2 A14B 上相对 TeaCache 提升 2.036 dB PSNR——PSNR 是衡量生成结果与参照结果接近程度的指标，通常越高越好；但供稿中的对应加速倍率缺失，因此不能据此判断具体节省了多少时间。