小米正式发布并全面开源自动驾驶模型Xiaomi OneVL

5月13日，@小米技术 宣布正式发布并全面开源自动驾驶模型Xiaomi OneVL：一步式潜空间语言视觉推理框架。它将VLA、世界模型和潜空间推理三大技术路线统一到同一框架中，让大模型推理“又快又准”：精度上超越显式思维链，速度上对齐“仅答案”预测，推理延迟最低仅0.24秒，为传统VLA自回归推理的5.4%，为量产车端实时部署提供了可行路径。

1、Xiaomi OneVL：让大模型推理“既快又准”

今年 3 月，小米正式发布全新小米 XLA 认知大模型架构，标志着小米辅助驾驶技术路线从“感知与模仿”迈向“理解与推理”。相比传统 VLA，XLA 强调更丰富的多模态认知输入，以及更强的场景认知、行为推理与真实世界理解能力。

在 XLA 的技术方向下，一个核心问题随之浮现：当大模型具备了推理能力，如何让这种推理既快又准？

行业过往的解决方案都有明显的缺陷：显式思维链（CoT）能显著提升轨迹规划质量，但逐 token 生成带来的额外时延，也对真实驾驶场景中的实时决策提出了更高挑战；而跳过推理直接输出答案，又会丢失关键的因果判断能力。

为了解决这些缺陷，此前行业内提出了潜空间思维链（Latent CoT）作为核心推理机制——用高维机器语言替代逐字生成的文本推理，在保持认知质量的同时大幅压缩推理时延。

而今天，小米技术研发团队在 Latent CoT 的基础上进一步探索自动驾驶大模型中的潜空间推理问题，正式推出——Xiaomi OneVL：一步式潜空间语言视觉推理框架。

作为 XLA 架构中 Latent CoT 能力的首次学术验证，Xiaomi OneVL 是首个在精度上超越显式思维链、在速度上对齐“仅答案”预测的潜在推理方案，并实现了 VLA 与世界模型的统一。

通过“语言推理 + 视觉未来预测”的双重监督，Xiaomi OneVL 将可解释性与世界模型的未来预测能力统一到 latent reasoning 中，为自动驾驶大模型探索出一条新的精度—效率平衡路径。

从这个意义上说，Xiaomi OneVL 进一步验证了 XLA 架构方向的技术潜力：真正面向现实世界的辅助驾驶，不只要看见当下，更要理解因果、预判未来，并在有限时间内完成高质量决策。

从家庭场景的具身智能到城市道路的辅助驾驶，小米正推动智能技术向“可用、可信、可扩展”的现实世界稳步迈进，为小米“人车家全生态”注入核心技术动能！

2、三项关键技术，统一 VLA、世界模型、潜空间推理三大技术路线

过去，VLA 和世界模型是自动驾驶领域两条相对独立的技术路线：VLA 专注于理解场景并输出驾驶动作，世界模型专注于预测未来场景的演变。Xiaomi OneVL 通过潜空间推理，首次将两者统一到同一套框架中。

它的核心洞察是：自动驾驶要压缩的，不只是语言推理，而是对未来世界变化的理解。 驾驶决策真正依赖的，并不只是“前方有车”“道路变窄”这样的语义描述，而是车辆运动、道路几何、障碍物演变等时空因果信息。压缩语言，丢掉的恰恰是最关键的因果结构；而压缩成“对未来视觉世界的预测”，才保留了真正决定驾驶结果的东西。

基于这一洞察，Xiaomi OneVL 提出三项关键技术。简单来说：让模型用自己的“内部语言”思考、让它学会预测未来画面、并把整个推理过程压缩到一步完成。

双模态 latent token，各司其职：视觉 latent token 编码“场景的物理因果结构”，语言 latent token 编码“驾驶意图的语义表达”，让模型“在心里想清楚”，而不是“边说边想”。

双辅助解码器，训练时用、推理时丢：视觉解码器预测未来 0.5s / 1s 的画面，让模型同时具备世界模型的未来预测能力；语言解码器重建人类可读的思维链文字，保障可解释性——两个解码器在训练中提供双重监督信号，推理时全部移除，零额外开销；

「预填充式」一步推理，快到极致：推理时丢掉两个解码器，所有 latent token 直接预填充进上下文，一次并行完成，延迟和“仅答案”模型几乎一致，比显式 CoT 最高快 2.3 倍。

3、多基准全面 SOTA，刷新潜在推理方法性能上限

在涵盖感知、推理与规划的多个主流基准上，Xiaomi OneVL 全面刷新了潜在推理方法的性能上限：

在 ROADWork、Impromptu、Alpamayo-R1 三项基准上均达到 SOTA，并在 NAVSIM 上取得优越性能，PDM-score 达到 88.84，首次在潜空间推理中超越显式 CoT（88.29）；

目前唯一在所有基准上超越显式自回归 CoT 的隐式推理方法；

挂载 MLP 回归头变体，延迟进一步压到 0.24s(4.16 Hz)，仅为 VLA 自回归推理的 5.4%，为量产车端实时部署提供了可行路径。

消融实验进一步验证，压缩物理世界的动态信息能带来显著的性能提升。

同时，Xiaomi OneVL 能为模型决策提供语言和视觉双维度的可解释性——既能用文字说明“为什么这样开”，也能用预测画面展示“接下来会发生什么”，将 XLA 所追求的“理解与推理”能力，真正落到了可验证、可解释的工程实践中。

为模型决策提供语言以及视觉的可解释性

（都市现场）