# 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

- Link: https://paooo.com/aigc-news/10571/
- Published: 2026-05-24T07:38:04+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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](https://paooo.com/ai-study/)，
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。

阅读目录

 * [Xiaomi OneVL是什么](https://paooo.com/aigc-news/10571/#xiaomi-onevl%e6%98%af%e4%bb%80%e4%b9%88)
 * [Xiaomi OneVL的主要功能](https://paooo.com/aigc-news/10571/#xiaomi-onevl%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [Xiaomi OneVL的技术原理](https://paooo.com/aigc-news/10571/#xiaomi-onevl%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [Xiaomi OneVL的核心优势](https://paooo.com/aigc-news/10571/#xiaomi-onevl%e7%9a%84%e6%a0%b8%e5%bf%83%e4%bc%98%e5%8a%bf)
 * [Xiaomi OneVL的项目地址](https://paooo.com/aigc-news/10571/#xiaomi-onevl%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [Xiaomi OneVL的同类竞品对比](https://paooo.com/aigc-news/10571/#xiaomi-onevl%e7%9a%84%e5%90%8c%e7%b1%bb%e7%ab%9e%e5%93%81%e5%af%b9%e6%af%94)
 * [Xiaomi OneVL的应用场景](https://paooo.com/aigc-news/10571/#xiaomi-onevl%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/10571/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![Xiaomi OneVL](https://paooo.com/wp-content/uploads/2026/05/Xiaomi-OneVL-website-
1.avif)

## 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。

🔬 语宙深潜追问 · 进阶实操拆解

VLA 世界模型怎么兼顾实时性？

通常要把感知、规划和控制做轻量化分层，并尽量减少跨模块通信开销。再配合蒸馏、量化
和异步执行，才能把延迟压到车端可用范围。

开源到自动驾驶，最该验证什么？

优先验证长尾场景、闭环稳定性和安全边界，而不是只看离线指标。真正上车前，还要做传感器
退化、极端天气和异常交互的系统级测试。

🗳️ 读者观点微投票 · 您的实战立场是？

0.24 秒车端推理，先要速度还是可解释？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🌐 所属权威专题：Gemini 全模态与空间智能 →](https://paooo.com/topics/gemini-multimodal/)

 * [小米开源首代机器人VLA大模型Xiaomi-Robotics-0：47亿参数MoT架构，实现实时流畅控制](https://paooo.com/aigc-news/11467/)
 * [理想汽车发布MindVLA-o1：原生多模态VLA架构，定义自动驾驶与具身智能新范式](https://paooo.com/aigc-news/11242/)
 * [英伟达Alpamayo-R1开源！因果推理VLA模型如何重塑自动驾驶决策？](https://paooo.com/aigc-news/12834/)
 * [小米全球首个开源跨领域具身大模型MiMo-Embodied发布：重塑自动驾驶与机器人智能](https://paooo.com/ai-tool/12911/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/10571/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
