小米自动驾驶模型Xiaomi OneVL开源，率先统一VLA与多技术路线

自动驾驶技术路线融合迎来重要突破。小米技术团队近日开源了名为Xiaomi OneVL的创新框架，官方定义为“一步式潜空间语言视觉推理框架”。该框架的核心价值在于，首次将VLA（视觉语言动作模型）与世界模型这两大主流技术路径进行了有效统一，为行业提供了全新的解决方案。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

这一突破具有里程碑意义。传统自动驾驶模型中，VLA模型主要负责环境感知与即时决策，例如识别道路状况并输出转向、加减速等指令。而世界模型则专注于未来场景的预测，模拟车辆动作可能引发的环境变化。两者长期独立发展，协同困难。Xiaomi OneVL通过创新的“潜空间推理”技术，实现了感知、决策与预测的端到端整合。这意味着系统能够在生成驾驶指令的同时，同步推演该指令将导致的未来数秒内的场景演变，实现了决策与预判的有机统一。

在性能表现上，Xiaomi OneVL展现了卓越的实力。在涵盖感知、推理与规划的多项权威基准测试中，包括ROADWork、Impromptu和Alpamayo-R1，该框架均达到了当前最优（SOTA）水平。在NA VSIM基准测试中也取得了优异表现。尤为关键的是，其精度超越了依赖显式思维链（CoT）的模型，而在推理速度上则可与高效的“潜空间CoT”方案媲美，真正实现了精度与效率的平衡。

▲ 在 ROADWork、Impromptu、Alpamayo-R1 三项基准上均达到 SOTA，在 NA VSIM 上取得优越性能

除了强大的性能，该框架在可解释性方面也取得了显著进展。针对自动驾驶模型常被视为“黑箱”的痛点，Xiaomi OneVL提供了双维度的决策解释能力。它既能以自然语言形式阐述决策逻辑（如“因检测到前方行人而减速”），也能生成可视化的未来场景预测图。这种语言与视觉相结合的可解释性输出，极大增强了模型的透明度与调试便利性，有助于建立人机信任。

▲ 为模型决策提供语言以及视觉的可解释性

目前，该项目的全部代码与模型权重已在GitHub等平台开源。对于自动驾驶算法研究员、工程师及广大开发者而言，这提供了一个极具价值的研究工具与设计新思路。技术路线的有效统一预示着系统复杂度的降低与开发效率的提升。Xiaomi OneVL的成功实践，有望为下一代自动驾驶系统的算法演进开辟新的方向。