【本文由小黑盒作者@飞碟AI于05月14日发布，转载请标明出处！】
小米又开源了个新东西，叫 Xiaomi OneVL。
全称挺长，叫一步式潜空间语言视觉推理框架，这次这个框架是给汽车用的：让自动驾驶大模型别再一边开车一边慢吞吞写小作文，先在“脑子里”先想清楚，然后快速给出规划结果。
有趣的是，OneVL 并不是小米从零开始“闭门造车”出来的模型。
它的模型权重基于 Qwen3-VL-4B-Instruct 做增强，视觉分词器则用了 Emu3.5-VisionTokenizer，本质上是在现有开源大模型基础上，往自动驾驶推理这个方向继续深化训练。
OneVL 的目标非常明确：把 VLA、世界模型和潜空间推理三条路线尽量揉进一个框架里，让车既能理解场景、预测未来，又能更快完成决策——毕竟真实道路可不给模型留“慢慢思考”的时间。
过去自动驾驶大模型有个老问题。
显式 CoT 能提升推理质量，模型会把“为什么这么开”讲出来，但逐 token 生成很慢，车在路上跑，可没空等模型写完内心独白；直接跳过推理输出答案又快，但容易丢掉因果判断。
OneVL 解决的就是这个痛点。
它的做法是把推理压进 latent token，也就是潜空间里的内部表示。
模型直接跳过慢慢输出思考推理过程，先用视觉 latent token 编码场景的物理变化，用语言 latent token 编码驾驶意图。
类似于喊你去描述某个画面，你得慢慢讲，而 OneVL 则可以直接把你脑子里面想到的画面直接抽出来，还准确。
训练时，它还挂了两个辅助解码器，一个负责预测未来 0.5 秒和 1 秒后的画面，一个负责还原人类能读懂的思维链文字。
到了真正推理时，这两个解码器直接丢掉，只保留压缩后的 latent token，一步并行完成推理。
这个设计最有意思的地方在于，它没有只压缩语言推理。
小米团队认为，自动驾驶真正需要压缩的是对未来世界变化的理解。
前方车辆怎么动，道路几何怎么变，障碍物会不会切进来，这些比“前方有车所以减速”这种文字总结更关键。
所以 OneVL 的视觉辅助解码器，本质上是在逼模型学会预测未来画面。说得直白点，车不能只会看图说话，还得能脑补下一秒。
测试数据也确实能打。
OneVL 在 NAVSIM、ROADWork、Impromptu、Alpamayo-R1 多个基准上刷新潜空间推理方法表现。NAVSIM 上 PDM-score 达到 88.84，高过显式 CoT 的 88.29，延迟却只有 4.46 秒，基本贴近仅答案预测的 4.49 秒。
当然，技术归技术，小米归小米。
OneVL 的意义，可能不在于它今天就能把小米智驾直接推到行业第一，更多是它把一个关键问题摊开了：自动驾驶大模型到底该怎么推理？是继续让模型用文字慢慢解释，还是让模型在潜空间里压缩因果和未来变化？
如果 OneVL 这条路线能继续往下走，车端模型也许会从“看见并模仿”，慢慢走向“理解并预判”。
所以这次 Xiaomi OneVL，客观来讲也确实值得关注，不必神化，也没必要一听小米就先翻白眼。
它解决的是自动驾驶大模型里很现实的问题：精度、速度、可解释性，很难同时要。
至于这条路最后能不能跑通，估计很快会有人拿代码出来复现、对比、挑毛病，毕竟自动驾驶圈最不缺的就是各种吃瓜、质疑与实锤测试，更何况这个项目开源。
接下来就看社区和真实工程表现了。
道正网提示：文章来自网络，不代表本站观点。
