Xiaomi OneVL是小米正式对外发布并全面开源的自动驾驶大模型。Xiaomi OneVL的核心定位是“一步式潜空间语言视觉推理框架”。OneVL并非简单的视觉模型，而是小米XLA(认知大模型架构)在自动驾驶领域的首次系统性落地，旨在解决当前自动驾驶大模型长期面临的“精度”与“速度”难以兼得的行业痛点。
Xiaomi OneVL核心突破：首次统一 VLA 与世界模型
在传统的自动驾驶技术路线中，VLA（视觉语言动作模型）和世界模型通常是两条独立发展的路线：
- VLA：擅长理解当前场景并输出驾驶动作，但缺乏对未来的预测能力。
- 世界模型：擅长预测未来场景的演变，但往往独立于决策系统之外。
Xiaomi OneVL在业内率先通过潜空间推理，将VLA、世界模型和潜空间推理三大技术路线统一到了同一套框架中。它让模型不仅能“看懂”现在的路况，还能在内部“预演”未来的画面，从而实现更精准的驾驶决策。
Xiaomi OneVL三大关键技术
为了实现“又快又准”的推理，OneVL采用了三项核心技术：
- 双模态潜令牌（让模型在心里想清楚）：
- 视觉潜令牌：负责编码场景的物理因果结构（如车辆运动、道路几何）。
- 语言潜令牌：负责编码驾驶意图的语义表达。
- 两者结合，让模型在内部完成复杂的思考，而不是“边说边想”。
- 双辅助解码器（训练时用，推理时丢）：
- 视觉解码器：在训练时预测未来 0.5秒 / 1秒 的画面，赋予模型世界模型的未来预测能力。
- 语言解码器：在训练时重建人类可读的思维链文字，保障决策的可解释性。
- 在正式推理时，这两个解码器会被完全移除，实现零额外计算开销。
- “预填充式”一步推理（快到极致）：
- 抛弃了传统大模型逐字逐句生成的显式思维链（CoT），改为将所有潜令牌直接预填充进上下文，一次并行完成推理。
- 这使得它的推理延迟与“仅输出答案”的模型几乎一致，比传统的显式CoT最高快 2.3倍。
Xiaomi OneVL性能表现与落地前景
Xiaomi OneVL在多个主流基准测试中刷新了性能上限，并展现出了极强的车端部署潜力：
表格
| 维度 | 核心数据表现 |
|---|---|
| 推理速度 | 延迟低至 0.24秒（4.16 Hz），仅为传统 VLA 自回归推理的 5.4% |
| 决策精度 | 在 NAVSIM 基准测试中 PDM-score 达到 88.84，首次在潜空间推理中超越显式 CoT（88.29） |
| 综合排名 | 在 ROADWork、Impromptu、Alpamayo-R1 三项基准上均达到 SOTA（当前最优水平） |
双重可解释性：拒绝“黑箱决策”
为了解决自动驾驶“为什么这么开”的安全疑虑，OneVL提供了语言和视觉双维度的可解释性：
- 文字说明：能用自然语言解释决策原因（例如：“因为右侧有施工锥桶和停放的卡车，所以需要向左变道并保持减速”）。
- 画面预测：能直接展示模型预测出的“接下来会发生什么”的未来画面。
全面开源与生态战略
- 对行业：极大地降低了中小企业的研发门槛，为量产车端的实时部署提供了可行的技术路径。
- 对小米：这是小米“人车家全生态”战略的核心技术底座。通过开源，小米旨在吸引全球开发者共建生态，不仅服务于小米汽车（如 SU7、YU7），未来还有望打通机器人、智能家居等跨设备的智能协同。
Xiaomi OneVL的项目地址
项目官网：https://xiaomi-embodied-intelligence.github.io/OneVL/
GitHub仓库：https://github.com/xiaomi-research/onevl
arXiv技术论文：https://arxiv.org/pdf/2604.18486
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...