小米汽车世界模型框架发布 重建生成一体化实现SOTA性能

5月26日，小米汽车正式发布了名为Xiaomi Auto World Model的全新自动驾驶世界模型框架，为行业技术发展开辟了全新路径。此举标志着自动驾驶技术正从初级的“环境感知”阶段，加速迈向具备“认知推理”与“动态场景演化”能力的高阶智能阶段。

一体化架构：重建与生成的深度融合

当前，构建自动驾驶世界模型主要存在两大技术方向：基于重建（WorldRec）的方法与基于生成（WorldGen）的方法。

重建路线的核心，是从多摄像头输入的二维图像中，精准恢复出三维场景的几何结构与空间关系。其优势在于还原度高、几何一致性强，类似于对现实环境进行高精度三维扫描。然而，其局限性在于只能复现已观测到的内容，缺乏对未知视角或未来可能发生事件的预测与推理能力。

生成路线则采用了不同的思路，通常基于扩散模型等生成式AI技术，直接合成预测未来的视觉画面。这使其具备了强大的“想象力”，能够推演未观测视角和未发生事件。但问题在于，缺乏显式三维约束的生成过程，在长时序预测中容易产生累积误差和内容失真，导致预测结果偏离物理规律。

小米汽车此次推出的Xiaomi Auto World Model，其核心创新在于深度融合了这两大技术路线。它并非简单组合，而是设计了一套深度耦合的一体化架构，开创了“以重建锚定几何真实性，以生成拓展场景推演力”的全新范式，使两者在统一框架内相互约束、协同优化。

具体而言，重建模块为整个系统构建了精确、稳定的三维场景骨架，如同建筑的承重结构，为生成过程提供了坚实的几何基础，有效防止预测漂移。生成模块则在此基础上，将系统的能力边界拓展至观测范围之外，实现了对未知和未来的合理推演，弥补了纯重建模型缺乏前瞻性的短板。

这种闭环协同设计，在多个关键性能指标上实现了显著提升：

高稳定性：重建提供的强几何先验，能有效抑制长序列预测中的误差累积，确保生成过程稳定可控。

高一致性：系统构建了跨时空共享的4D动态场景表征作为统一“世界记忆”，保证了不同时间点、不同观测视角下场景理解的全局一致性。

高保真度：生成模块以重建渲染的图像为几何基底进行内容合成，使得生成结果既符合物理空间逻辑，其纹理细节又无限逼近真实传感器数据，极大缩小了仿真与现实之间的差距。

三大核心场景已落地应用

前沿技术的价值最终体现在实际应用中。目前，Xiaomi Auto World Model已在小米汽车内部的三大核心业务场景中实现规模化落地：

自动驾驶合成数据生成：该框架已高效生产并交付超过10万段高质量合成数据，直接用于训练和提升车辆的感知模型。这对于解决现实世界中难以大量采集的长尾场景数据（如极端恶劣天气、罕见交通事故形态）至关重要，能显著增强系统应对复杂危险工况的能力。

智能驾驶仿真测试：基于该世界模型，可构建出高度逼真、物理准确的闭环仿真测试环境。这不仅极大提升了测试效率和规模，还能更全面、系统地覆盖各类测试规范与 Corner Case。工程师甚至可以在仿真中精准复现实测交通案例，进行定向的算法迭代与安全验证。

辅助驾驶实景教学：这是一项与用户体验直接相关的创新应用。系统能够利用世界模型的动态推演能力，实时生成第一人称视角的驾驶教学视频。当用户面临复杂路口、拥堵环岛等疑难路况时，系统可通过此类生成式视频，直观演示最佳操作路径与预期结果。目前，该功能已集成于小米全系车型的“辅助驾驶学堂-实景模拟”模块中。

该技术的详细研究论文与项目主页均已对外公开，供业界同行与研究人员参考交流。