車東西（公眾號：chedongxi）
作者 ｜ Janson
編輯 ｜ 志豪

4B參數打10B參數？！小米最新輔助駕駛模型OneVL開源。

車東西5月14日消息，日前，小米技術團隊正式發布并開源Xiaomi OneVL，這是一套面向自動駕駛軌跡預測的“一步式潛空間語言視覺推理框架”。

▲小米最新自動駕駛論文

論文中，OneVL在多個基準上實現了一個很有看點的結果——不僅推理速度快，精度還高。

在NAVSIM（一種自動駕駛規劃評測基準）上，OneVL的跑分達到88.84，高于顯式推理鏈的88.29，延遲則幾乎等同于只輸出答案的AR Answer的4.49秒。

更值得一提的是，在英偉達的Alpamayo-R1基準測試中，OneVL作為4B參數模型，在ADE平均軌跡誤差指標上取得2.62m，優于10B參數級英偉達自家Cosmos-Reason的2.86m。

可以說，小米OneVL一舉實現了用更小模型反超大模型的技術指標。

從實現思路上來看，這篇論文真正要解決的問題很直接，過去模型要想“想得清楚”，往往得先生成一大段CoT推理文字，但在自動駕駛場景里，逐字生成推理鏈會帶來明顯延遲。

小米OneVL的思路則是，訓練時讓模型學會解釋、學會預測未來畫面，推理時則把這些思考壓縮進少量latent token，一步激活，直接輸出軌跡。

此外，通過作者陣容也能看出這項工作在小米汽車技術體系中的位置。

名單中既有小米汽車首席科學家、自動駕駛與機器人部VLA負責人陳龍，也有小米具身智能與自動駕駛統一模型MiMo-Embodied的核心作者郝孝帥，以及小米汽車自動駕駛負責人葉航軍等關鍵人物。

可以說，OneVL是小米汽車在端到端自動駕駛大模型、VLA和世界模型路線上的一次集中技術展示。

一、小米OneVL怎么做？ 壓縮步驟降低延遲

要理解小米開源的OneVL，先要理解它為什么不是簡單的“把CoT藏起來”。

過去自動駕駛VLA模型引入CoT，主要是為了讓模型在輸出軌跡前先完成一段顯式推理，從而讓系統知道當前道路邊界在哪里，前方有沒有車、行人、錐桶，接下來應該保持速度、減速、變道還是轉向。

很明顯，顯式CoT的好處是可解釋，也能提升軌跡預測質量，但問題是，它需要一個token一個token自回歸生成，推理鏈越長，延遲越高，這對實時部署并不友好。

為了解決這個問題，latent CoT誕生了，通過把原本顯式寫出來的推理過程壓縮進隱空間。

目前行業中主流的COCONUT、CODI、SIM-CoT等方法都屬于這個方向。

但小米團隊認為，這些方法主要面向語言推理任務，壓縮的是“語言描述里的抽象語義”，而自動駕駛軌跡預測真正依賴的是道路幾何、目標運動、環境變化等時空因果結構。

▲幾種CoT范式的比較

換句話說，這樣的做法只壓縮語言，并不等于理解真實道路世界。

因此，OneVL的關鍵改動，是把“未來世界會怎么變”也壓進模型里。

論文中的OneVL主干基于Qwen3-VL-4B-Instruct，輸入包括前視圖像、車輛狀態、導航指令、歷史軌跡等信息，最終輸出未來軌跡。

它在模型中設計了兩類latent token（潛在詞元）。一類是language latent token，用來承載語言層面的隱式推理，另一類是visual latent token，用來承載視覺和時空動態信息。

▲小米OneVL架構

訓練時，OneVL會接上兩個輔助解碼器。

第一個是語言輔助解碼器。它的任務是從language latent token中還原人類可讀的CoT文本，比如解釋模型為什么判斷前方應該減速、為什么要保持車道、為什么要向左避讓。

這個模塊讓latent token不只是黑箱向量，而是可以被“翻譯”成人能理解的駕駛理由。

第二個是視覺輔助解碼器。它的任務更關鍵，從visual latent token中預測未來幀視覺token，也就是讓模型預判0.5秒和1.0秒之后畫面可能是什么樣。

這兩個模式被并稱為一種world model auxiliary，即訓練階段的世界模型輔助監督。

它要求模型不只是知道“前方有車”這個語義標簽，還要理解車輛會怎么動、道路結構如何延展、障礙物和環境會如何變化。

這也是小米OneVL和傳統latent CoT最大的區別。

傳統latent CoT更像是把“文字推理”壓縮成隱變量，小米OneVL則是把語言推理+未來視覺變化+軌跡規劃放在一個框架里聯合訓練。

語言監督負責讓模型說清楚“為什么這么開”，視覺監督負責讓模型學會“世界接下來怎么變”，軌跡監督則負責最終“應該怎么走”。

如此一來，在真正上路時，它不需要把這些推理逐字說出來，而是直接給出規劃結果。

▲小米OneVL在部分場景下的推理結果

訓練流程上，OneVL也不是簡單端到端硬訓，而是采用了分階段策略。

在初始階段，模型先對視覺輔助解碼器做自監督預訓練，讓它學會根據當前幀視覺特征預測未來幀。

這樣做是為了避免一開始latent token還沒有有效信息時，視覺解碼器就被迫完成困難任務，導致訓練不穩定。

隨后，OneVL采用了三步訓練，第一步，先訓練主VLM做軌跡預測。這個階段的重點是讓模型先學會“怎么開”，同時讓插在輸出里的latent token開始承擔“思考占位符”的作用，逐漸存下和駕駛決策有關的信息。

第二步，先固定住主模型，只訓練語言和視覺兩個輔助解碼器。語言解碼器要學會把這些latent token翻譯成文字解釋，視覺解碼器要學會把它們翻譯成未來畫面。這樣做的好處是，兩個解碼器面對的是一個相對穩定的“模型大腦”，不會一邊讀信號、一邊信號本身還在劇烈變化。

第三步，再把主模型和兩個輔助解碼器一起訓練，讓軌跡預測、語言解釋、未來畫面預測三件事互相對齊。

最終，latent token同時可以承載“怎么開”“為什么這么開”和“接下來會發生什么”的壓縮表示。

訓練時使用的語言輔助解碼器和視覺輔助解碼器，在推理時都會被丟棄。

而這，也是推理階段是小米OneVL速度提升的關鍵。

所以，OneVL的核心不是“不推理”，而是把推理從顯式長文本，壓縮成一步式潛空間激活。

二、小模型能打大模型 又快又準

通過一系列優化，小米OneVL性能得到了明顯的提升，但具體怎么樣，還是要用跑分來說話。

OneVL的成績可以用一句話概括就是，它不是單純跑得快，也不是單純跑分高，而是在“接近不思考的速度”下，做出了“超過顯式推理”的精度。

過去自動駕駛VLA模型往往要在速度和推理能力之間做取舍，如果模型直接輸出軌跡，速度確實快，但少了推理過程，精度和復雜場景泛化可能不夠。

如果讓模型先生成一段CoT推理，再輸出軌跡，精度通常會提升，但速度又會明顯變慢。

OneVL做到了一種既要又要：精度高，速度快。

▲四種基準測試的表現

論文在NAVSIM、ROADWork、Impromptu、Alpamayo-R1四個基準上做了測試，可以理解成四類不同“考場”，常規軌跡規劃、施工區復雜道路、非結構化長尾場景，以及復雜因果駕駛場景。

▲NAVSIM性能對比

結果也很直接，在NAVSIM上，OneVL跑分達到88.84，超過直接輸出答案的AR Answer 87.47和顯式AR CoT+Answer 88.29。

同時延遲只有4.46秒，幾乎等同于AR Answer的4.49秒，明顯低于顯式CoT的6.58秒。

▲ROADWork性能對比

在ROADWork這種施工區這種有錐桶、臨時標線、施工車輛和封閉車道的復雜場景里，OneVL的跑分為12.49/28.80像素，優于AR Answer和顯式CoT，而且延遲遠低于顯式CoT的10.74 秒。

▲Impromptu性能對比

在Impromptu面對非結構化長尾場景中，OneVL的跑分為1.34/3.70米，優于AR Answer的1.46/4.03米和顯式CoT的1.42/3.96米，說明整條未來軌跡更貼近真實結果。

▲Alpamayo-R1性能對比

最后在Alpamayo-R1這個強調復雜因果推理的基準上，OneVL的跑分為2.62/7.53米，其中ADE優于英偉達自家Cosmos-Reason系路線的2.86 米，但FDE略遜于后者的7.42米。

這組結果說明OneVL在速度和精度之間找到了一個更好的平衡點把推理壓縮到了latent token里，讓模型在推理時一步激活。

與此同時，消融實驗也說明了OneVL到底強在哪里。

▲OneVL的消融測試結果

去掉視覺輔助解碼器后，NAVSIM的跑分會從88.84降到87.97，去掉語言輔助解碼器后，跑分會降到88.53。

這說明語言解釋有幫助，但視覺世界模型監督貢獻更大，也符合軌跡預測的任務本質：自動駕駛首先是空間和運動問題，未來畫面預測比純語言解釋更直接地逼模型學習道路、車輛、障礙物的動態變化。

值得一提的事，論文最后還探索了一個更偏車端部署的版本。

這個版本在NAVSIM上的跑分是86.83，低于完整OneVL的88.84，但推理延遲只有0.24秒，約等于4.16Hz。

▲輕量版本在NAVSIM的跑分

這說明OneVL實際上提供了兩種路線，完整版本精度更高，部署版本速度更快，但會犧牲一部分精度。

對于真實車輛部署來說，這種取舍很重要，因為車端系統不只追求最高分，還要考慮響應頻率、算力預算和穩定性。

結語：小米再發新模型

總體來看，OneVL的價值不只是“又一個開源模型”，而是提出了一條更清晰的路線：訓練時讓模型同時學會語言解釋和未來視覺預測，推理時把這些能力壓縮進 latent token，一步完成規劃。

這也解釋了為什么它能在速度接近answer-only的情況下，精度超過顯式CoT。

這個模型把思考從“逐字說出來”，變成了“壓縮在潛空間里一次性完成”。

對于自動駕駛VLA模型來說，這可能是一條更接近真實部署需求的技術路線。