米開源OneVL：給汽車裝上更快更聰明的大腦

小米又開源了個新東西，叫 Xiaomi OneVL。

全稱挺長，叫一步式潛空間語言視覺推理框架，這次這個框架是給汽車用的：讓自動駕駛大模型別再一邊開車一邊慢吞吞寫小作文，先在“腦子裏”先想清楚，然後快速給出規劃結果。

有趣的是，OneVL 並不是小米從零開始“閉門造車”出來的模型。

它的模型權重基於 Qwen3-VL-4B-Instruct 做增強，視覺分詞器則用了 Emu3.5-VisionTokenizer，本質上是在現有開源大模型基礎上，往自動駕駛推理這個方向繼續深化訓練。

OneVL 的目標非常明確：把 VLA、世界模型和潛空間推理三條路線儘量揉進一個框架裏，讓車既能理解場景、預測未來，又能更快完成決策——畢竟真實道路可不給模型留“慢慢思考”的時間。

過去自動駕駛大模型有個老問題。

顯式 CoT 能提升推理質量，模型會把“爲什麼這麼開”講出來，但逐 token 生成很慢，車在路上跑，可沒空等模型寫完內心獨白；直接跳過推理輸出答案又快，但容易丟掉因果判斷。

OneVL 解決的就是這個痛點。

它的做法是把推理壓進 latent token，也就是潛空間裏的內部表示。

模型直接跳過慢慢輸出思考推理過程，先用視覺 latent token 編碼場景的物理變化，用語言 latent token 編碼駕駛意圖。

類似於喊你去描述某個畫面，你得慢慢講，而 OneVL 則可以直接把你腦子裏面想到的畫面直接抽出來，還準確。

訓練時，它還掛了兩個輔助解碼器，一個負責預測未來 0.5 秒和 1 秒後的畫面，一個負責還原人類能讀懂的思維鏈文字。

到了真正推理時，這兩個解碼器直接丟掉，只保留壓縮後的 latent token，一步並行完成推理。

這個設計最有意思的地方在於，它沒有隻壓縮語言推理。

小米團隊認爲，自動駕駛真正需要壓縮的是對未來世界變化的理解。

前方車輛怎麼動，道路幾何怎麼變，障礙物會不會切進來，這些比“前方有車所以減速”這種文字總結更關鍵。

所以 OneVL 的視覺輔助解碼器，本質上是在逼模型學會預測未來畫面。說得直白點，車不能只會看圖說話，還得能腦補下一秒。

測試數據也確實能打。

OneVL 在 NAVSIM、ROADWork、Impromptu、Alpamayo-R1 多個基準上刷新潛空間推理方法表現。NAVSIM 上 PDM-score 達到 88.84，高過顯式 CoT 的 88.29，延遲卻只有 4.46 秒，基本貼近僅答案預測的 4.49 秒。

當然，技術歸技術，小米歸小米。

OneVL 的意義，可能不在於它今天就能把小米智駕直接推到行業第一，更多是它把一個關鍵問題攤開了：自動駕駛大模型到底該怎麼推理？是繼續讓模型用文字慢慢解釋，還是讓模型在潛空間裏壓縮因果和未來變化？

如果 OneVL 這條路線能繼續往下走，車端模型也許會從“看見並模仿”，慢慢走向“理解並預判”。

所以這次 Xiaomi OneVL，客觀來講也確實值得關注，不必神化，也沒必要一聽小米就先翻白眼。

它解決的是自動駕駛大模型裏很現實的問題：精度、速度、可解釋性，很難同時要。

至於這條路最後能不能跑通，估計很快會有人拿代碼出來復現、對比、挑毛病，畢竟自動駕駛圈最不缺的就是各種喫瓜、質疑與實錘測試，更何況這個項目開源。

接下來就看社區和真實工程表現了。