小米开源自动驾驶模型实现VLA与世界模型技术的统一

自动驾驶的技术路线，过去常常给人一种“分道扬镳”的感觉。一边是视觉语言动作模型，专注于理解当下场景并输出驾驶指令；另一边是世界模型，致力于预测未来环境的演变。两者各有侧重，但能否合二为一，实现更高效、更强大的推理？小米技术最新开源的Xiaomi OneVL一步式潜空间语言视觉推理框架，给出了一个开创性的答案。

简单来说，这个模型做了一件业内率先实现的事：它将VLA、世界模型以及潜空间推理这几条关键技术路线，统一到了同一个框架之下。这意味着，它既继承了大型语言模型强悍的推理能力，又在推理速度和精度上取得了显著突破。官方数据显示，其精度超越了显式思维链方案，而在速度上，则能与直接输出答案的潜空间思维链方案看齐。

那么，这种统一具体是如何实现的？核心在于“潜空间推理”。传统的显式推理需要模型一步步“思考”并输出中间过程，而潜空间推理则将这些复杂过程压缩在模型内部的高维空间中完成，直接输出结果。Xiaomi OneVL正是利用这一特性，首次将场景理解与未来预测统一到了同一套潜空间框架中，让模型能同时处理“现在该做什么”和“接下来会怎样”这两个核心问题。

效果如何？数据是最直接的证明。在涵盖感知、推理与规划的多个主流基准测试中，Xiaomi OneVL全面刷新了潜在推理方法的性能上限。

更值得关注的是，这个模型还解决了AI决策的“黑箱”难题。它能够为每一次决策提供双维度的可解释性：既可以用自然语言解释“为什么这样开”，也能用生成的视觉画面展示“接下来会发生什么”。这种“既说得清，又看得见”的能力，对于构建可信、可靠的自动驾驶系统至关重要。

目前，小米已经将Xiaomi OneVL的模型权重、训练及推理代码全面开源，旨在推动整个领域的研究与应用。相关资源汇总如下：

• 技术报告：https://arxiv.org/abs/2604.18486
• 项目主页：https://Xiaomi-Embodied-Intelligence.github.io/OneVL
• 开源代码：https://github.com/xiaomi-research/onevl