---
title: "小米OneVL开源：0.24秒延迟！具身智能团队发布SOTA级自动驾驶VLA世界模型"
url: "https://paooo.com/aigc-news/10571/"
author: "Prompt 语宙研究院"
published_at: "2026-05-24T07:38:04+08:00"
updated_at: "2026-05-24T02:28:18+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "VLA, 世界模型, 小米具身智能, 潜空间推理, 自动驾驶大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 小米OneVL开源：0.24秒延迟！具身智能团队发布SOTA级自动驾驶VLA世界模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/10571/) · 作者：Prompt 语宙研究院 · 发布时间：2026-05-24

## AI 30 秒核心看点 (TL;DR)

- 首次把 VLA、世界模型和潜空间推理统一进单一自动驾驶框架，兼顾理解、预测与动作输出。
- 推理阶段仅需单次并行预填，车端延迟 0.24 秒，速度接近直接预测，精度却优于显式 CoT。
- 在 NAVSIM、ROADWork、Impromptu、Alpamayo-R1 四项基准上达 SOTA，模型与代码均已 Apache 2.0 开源。

> 
                **💡 站外导读：**自动驾驶领域长期面临感知、决策、规划多模块割裂与‘黑盒’决策难题。随着端到端大模型兴起，如何统一视觉理解、物理推理与动作生成，并实现实车部署所需的低延迟，成为核心挑战。传统显式思维链（CoT）推理虽能提升可解释性，但其自回归生成方式带来巨大延迟，难以满足实时性要求。行业亟需一种既能深度推理，又能‘瞬间’决策的统一大模型方案。

            

             
                        

## Xiaomi OneVL是什么

Xiaomi OneVL是小米具身智能团队推出的开源自动驾驶大模型，在业内首次将VLA视觉-语言-动作、世界模型与潜空间推理三大技术路线统一于单一框架。模型通过双辅助解码器监督紧凑潜变量，实现思考速度与不思考一样快，效果比思考更好的突破，车端推理延迟仅0.24秒，在NAVSIM等四项基准上达到SOTA，模型权重与代码以Apache 2.0协议全面开源。

## Xiaomi OneVL的主要功能

- **视觉-语言-动作（VLA）统一推理**：将场景理解、语言推理与驾驶动作输出集成到单一框架，实现从感知到决策到执行的一步式端到端闭环。

- **世界模型未来预测**：内置视觉世界模型解码器，可预测未来0.5秒和1.0秒的场景帧，强迫模型内化道路几何、车辆运动与环境变化的因果动力学。

- **潜空间思维链（Latent CoT）推理**：在紧凑潜变量中完成深度推理，推理时丢弃辅助解码器，所有潜变量token通过单次并行预填完成，延迟仅0.24秒，与”直接预测”速度相当但精度更高。

- **双辅助解码器监督训练**：训练阶段通过语言解码器重建文本思维链、视觉解码器预测未来帧，双维度监督确保潜变量同时编码语义推理与物理世界因果规律。

- **高精度轨迹预测**：基于Qwen3-VL-4B-Instruct主干网络，顶部附加MLP头输出轨迹，在NAVSIM基准PDM-score达88.84，超越8B竞品。

## Xiaomi OneVL的技术原理

- **三大技术路线统一**：Xiaomi OneVL 首次将 VLA（视觉-语言-动作）、世界模型与潜空间推理三条独立技术路线融合到单一框架中，使模型在理解当前场景的同时，能基于物理因果规律预测未来环境演变，输出驾驶动作，实现从感知、推理到决策的端到端闭环。

- **双辅助解码器监督架构**：模型在训练阶段引入两个辅助解码器：语言解码器负责重建文本思维链，确保潜变量编码语义推理能力；视觉世界模型解码器负责预测未来帧（T+0.5s、T+1.0s），强迫潜变量内化道路几何、车辆运动等物理动力学规律。推理时两个解码器被丢弃，仅保留紧凑潜变量进行预测。

- **三阶段渐进式训练**：训练分为轨迹对齐、语言推理对齐、视觉世界模型对齐三个阶段，逐步将潜变量与轨迹输出、语言推理目标、视觉预测目标对齐。跳过任一阶段都会导致性能灾难性下降（最高达 21.71 分），证明三阶段联合优化对稳定训练至关重要。

- **一步式潜空间并行推理**：推理阶段所有潜变量 token 通过单次并行预填完成，无需自回归逐 token 生成，车端延迟仅 0.24 秒（4.16Hz），与”直接输出答案”的速度相当，精度显著超越显式思维链方法，成为首个在性能上超过显式 CoT 的潜空间推理方案。

- **轻量化模型底座**：主干网络采用 Qwen3-VL-4B-Instruct，顶部附加紧凑 MLP 头进行轨迹预测，视觉分词器使用 Emu3.5-VisionTokenizer（码本大小 131072）。4B 参数规模在 NAVSIM 基准上 PDM-score 达到 88.84，超越 8B 竞品 AdaThinkDrive 与 LaST-VLA。

## Xiaomi OneVL的核心优势

- **速度与精度兼得**：Xiaomi OneVL 是业内首个精度超越显式思维链的潜空间推理方法，车端推理延迟仅 0.24 秒，与直接预测速度相当但效果更优，比显式自回归 CoT 快 32%。

- **三大技术路线统一**：Xiaomi OneVL 首次将 VLA、世界模型与潜空间推理三条独立技术路线融合到单一框架，使模型同时具备场景理解、物理因果推演和未来预测能力。

- **双维度可解释决策**：Xiaomi OneVL 同时提供语言解释和视觉预测两种决策依据，能用文字说明驾驶逻辑，也能用生成画面展示未来场景，解决自动驾驶的”黑盒”不可解释问题。

- **轻量化与高性能并存**：模型基于 4B 参数的 Qwen3-VL-4B-Instruct 主干网络，在 NAVSIM 基准 PDM-score 达 88.84，超越 8B 竞品，用更小模型规模实现更高性能。

- **全面开源可商用**：模型的模型权重、训练与推理代码均以 Apache 2.0 协议全面开源，支持学术界与产业界自由二次开发与商业应用。

- **四项基准全面 SOTA**：Xiaomi OneVL在 NAVSIM、ROADWork、Impromptu、Alpamayo-R1 四项权威基准测试中均达到当前最优水平，其中 Alpamayo-R1 的 ADE 为所有方法中最佳。

## Xiaomi OneVL的项目地址

- **项目官网**：https://xiaomi-embodied-intelligence.github.io/OneVL/

- **GitHub仓库**：https://github.com/xiaomi-research/onevl

- **arXiv技术论文**：https://arxiv.org/pdf/2604.18486

## Xiaomi OneVL的同类竞品对比

对比维度
**Xiaomi OneVL**
**[EMMA](https://ai-bot.cn/emma/) (Waymo)**

**所属机构**
小米具身智能
Waymo（Google）

**模型定位**
端到端 VLA + 世界模型统一框架
端到端多模态通用ist 自动驾驶模型

**基础模型**
Qwen3-VL-4B-Instruct（4B）
Gemini / PaLI-X（大规模，未公开具体参数）

**核心架构**
潜空间推理 + 双辅助解码器（语言 + 视觉世界模型）
纯文本 VQA 范式，所有输入输出表示为自然语言文本

**推理方式**
**单次并行预填，0.24 秒延迟（4.16Hz）**
自回归 CoT 逐 token 生成，延迟高，计算昂贵

**世界模型**
**内置视觉解码器，可预测未来 0.5s/1.0s 帧**
无显式世界模型，不具备未来场景生成能力

**动作输出**
连续轨迹预测（MLP 头直接输出）
文本形式的 BEV 坐标（waypoints），需文本到浮点转换

**可解释性**
**语言 + 视觉双维度**（文本解释 + 未来画面预测）
文本 CoT 推理链（rationale）+ 视觉定位（3D/BEV 位置标注）

**多任务能力**
专注运动规划，四项基准 SOTA
通用ist 模型，联合训练规划、3D 检测、路图估计、场景理解

**训练方式**
三阶段渐进式对齐（轨迹→语言→视觉）
端到端微调，多任务 co-training，利用 Gemini 预训练世界知识

**传感器输入**
视觉（相机）
视觉（相机），不支持 LiDAR / radar

## Xiaomi OneVL的应用场景

- 
**高阶智驾量产部署**：解决传统CoT推理延迟过高、无法实时部署的瓶颈。

- 
**复杂路况决策**：预判行人意图、车辆并道等动态场景，规避”黑盒”风险。

- 
**模型决策可视化**：为自动驾驶系统提供可审计、可解释的语言与视觉决策依据。

- 
**学术研究二次开发**：开源代码与权重支持学术界与产业界基于Apache 2.0协议商用。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                Xiaomi OneVL的发布，标志着自动驾驶大模型从‘技术拼凑’迈向‘范式统一’的关键一步。它首次将VLA的端到端能力、世界模型的物理推演能力与潜空间推理的高效性融为一体，这并非简单叠加，而是通过双解码器监督训练，迫使潜变量同时编码语义逻辑与物理因果，实现了‘深度思考’与‘快速反应’的兼得。0.24秒的推理延迟，意味着潜空间推理从学术概念真正进入了可量产的工程范畴。更值得关注的是，小米以4B轻量模型实现SOTA性能，挑战了‘更大即更好’的行业迷思，为车端高效部署提供了新思路。全面开源背后，是小米从消费电子向具身智能核心平台延伸的战略野心，旨在通过开放生态加速技术收敛，抢占下一代智能出行的技术制高点。这不仅是技术突破，更是一场关于自动驾驶技术路线的宣言。

## 常见问题解答 (FAQ)

### 小米OneVL是什么模型？
OneVL 是小米具身智能团队发布的开源自动驾驶大模型，核心特点是把 VLA、世界模型和潜空间推理统一到一个框架中，用于实现从感知、推理到动作输出的端到端驾驶决策。

### OneVL为什么能做到0.24秒延迟？
它在推理阶段不采用显式自回归思维链，而是将潜变量 token 通过单次并行预填完成，并丢弃辅助解码器，因此车端推理延迟仅 0.24 秒，接近直接预测速度。

### OneVL开源后能用于商用吗？
可以。文中明确说明 OneVL 的模型权重、训练代码和推理代码均以 Apache 2.0 协议开源，支持学术研究与产业二次开发，也包含商业应用的使用空间。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
