过去，自动驾驶领域有两条相对独立的技术路线：

VLA（视觉-语言-动作）：负责看懂场景，直接输出驾驶动作

世界模型：负责预测接下来会发生什么，模拟未来场景

Xiaomi OneVL 做了一件开创性的事——通过“潜空间推理”，首次把这两条路线塞进了同一套框架。它既有 VLA 的强推理能力，又大幅提升了推理的速度和精度。

用官方的话说，这是一种“一步式潜空间语言视觉推理框架”，在速度上对齐“仅答案”预测，在精度上超越显式的思维链方案。

成绩单有多硬？

在覆盖感知、推理与规划的主流测试基准上，Xiaomi OneVL 全面刷新了潜推理方法的性能上限。

更重要的是，它提供了双维度可解释性：

🗣️语言维度：能用文字说明“为什么这样开”

👁️视觉维度：能用预测画面展示“接下来会发生什么”

这对于自动驾驶的安全性和信任度来说，意义非凡。

开源，开得很彻底

小米不仅把论文发了，还把模型权重、训练代码、推理代码全部开源，可直接取用：