自动驾驶像在限时答题：每次都必须按时交卷，但实际计算有时快、有时慢。比如决策限时100毫秒，这一轮70毫秒就完成了，剩下的30毫秒通常不会被充分利用。SlackDrive想把这种“运行时空隙”收回来，让驾驶世界动作模型——同时理解道路、预测变化并规划车辆动作的模型——在时间允许时多算一点。
它不改动原有驾驶模型，而是先测量少量计算档位各自的延迟和规划效果，剔除“更慢且效果不更好”的档位。运行中，系统根据刚完成的几轮推理耗时，估计当前算力状态：若近期又快又稳定，下一轮便选择效果更好的高预算；若设备负载上升，则在推理开始前主动降档。在线决策只需更新几个数值，并扫描一张很小的档位表。
这项工作的价值不只是让模型变快，而是把实时期限内偶尔出现的余量变成更充分的推理。作者称，在NAVSIM v2与DriveDreamer-Policy实验中，SlackDrive在严格延迟约束下优于最强基线；但所给原文缺失具体分数，暂时无法判断提升幅度。