小米开源自动驾驶大模型OneVL:4B参数干翻8B,还能告诉你＂为什么这么开＂

自动驾驶领域有两条公认的技术路线：VLA（视觉语言动作模型）负责"看路+决策"，世界模型负责"预测未来会发生什么"。

过去，这两条路各走各的，井水不犯河水。

小米昨天把这两条路合二为一了。

5月13日，小米技术正式发布并开源了 Xiaomi OneVL——业内第一个把VLA、世界模型、潜空间推理统一到同一框架的自动驾驶模型。

而且，全面开源。代码、权重、训练方案，全部放出来。

OneVL 解决了什么问题？

先说背景。

自动驾驶模型要"思考"，目前主流方案是 Chain-of-Thought（CoT）——让模型像人一样，一步步推理："前面有行人→减速→观察行人动向→决定是否绕行"。

这种显式推理效果好，但有个致命问题：太慢了。自回归一步步生成推理链，延迟太高，车开到路口了推理还没跑完。

业界一直在尝试 潜空间 CoT（Latent CoT）——把推理过程压缩到隐藏状态里，不生成文字，直接出结果。快是快了，但精度明显不如显式推理。

为什么？

小米团队的核心洞察是：你压缩的对象本身就错了。

纯语言的潜空间只能压缩符号化的抽象概念，无法捕捉驾驶场景中的真实因果关系。就好比你用文字描述一辆车的运动轨迹，再怎么精确，也不如直接看一段视频来得直观。

OneVL 的解法：双管齐下

OneVL 的核心设计很巧妙——在潜空间里塞了 两个辅助解码器：

🔹 语言解码器：从潜空间状态中还原出可读的推理链文字——"为什么这么开"

🔹 视觉世界模型解码器：预测未来0.5秒和1秒的画面——"接下来会发生什么"

这两个解码器在训练时一起工作，强迫潜空间同时编码语言语义和物理因果动态。但在实际推理时，两个解码器全部丢掉，只保留压缩后的潜空间做单次前向推理。

结果就是：精度超过了显式CoT，速度对齐了"只给答案"的最快方案。

一句话概括：又快又准，还能解释。

性能有多炸？

在四个主流自动驾驶基准测试上，OneVL 全面刷新了潜空间推理方法的性能上限：

注意看第一行：4B参数的OneVL，性能超过了8B参数的前SOTA。参数量只有一半，精度还更高。

更关键的是延迟数据：

• • 显式AR CoT推理：6.58秒
• • 只给答案（最快方案）：4.49秒
• • OneVL预填充推理：4.46秒

OneVL 的推理速度和"只给答案"几乎一样快，比显式推理快了32%。MLP变体甚至做到了 0.24秒（4.16Hz），完全满足实时部署需求。

小米为什么要开源？

这个问题值得深想。

小米造车已经不是新闻了。YU7 新款即将交付，小米汽车正在从"产品发布"转向"规模化量产"。在自动驾驶技术上，小米一直在闷声干活。

这次开源 OneVL，有几个信号值得关注：

1. 技术自信

敢开源，说明小米不怕别人看。代码、权重、训练方案全放出来，接受学术界和工业界的检验。这在国内车企中不多见。

2. 抢占标准

VLA和世界模型统一框架，这是一个新的技术范式。小米率先开源，就是在争取让自己的方案成为事实标准。就像Meta开源LLaMA改变了大模型生态一样。

3. 人才吸引

开源是最好的招聘广告。顶级研究者看到高质量的开源项目，自然会对小米的自动驾驶团队产生兴趣。

4. 生态布局

自动驾驶不是一家公司能搞定的事。开源可以吸引更多开发者基于OneVL做二次开发，形成围绕小米技术栈的生态。

对行业意味着什么？

OneVL 的出现，可能会改变自动驾驶技术路线的竞争格局。

过去，VLA和世界模型是两个阵营，各有拥趸。OneVL 证明了两者可以统一，而且统一后的效果比任何一条单独路线都好。

这对其他玩家——华为、蔚来、小鹏、百度Apollo——都是一个压力。如果OneVL的开源方案被广泛验证有效，跟进统一框架可能成为行业趋势。

当然，学术基准和真实路况之间还有巨大的鸿沟。OneVL在四个基准上表现优异，但真正的考验是上路——城市拥堵、极端天气、突发状况，这些场景的复杂度远超任何benchmark。

写在最后

小米这次开源OneVL，技术含量确实够硬。4B干翻8B、潜空间推理首次超越显式CoT、双解码器统一VLA和世界模型——每一项拿出来都是顶会论文级别的工作。

更让人意外的是，这些工作来自小米。在很多人的印象里，小米是"性价比手机"和"智能家居"的代名词。但OneVL的发布说明，小米在AI和自动驾驶领域的技术深度，可能被严重低估了。

接下来就看两件事：一是学术界对OneVL的复现和验证，二是小米汽车什么时候把这项技术真正装上车。