芝能科技出品
在中國的車企和科技企業大量投入下，自動駕駛走到現在，感知不再是瓶頸，模仿學習也逐漸觸頂，現在更多的還是更好的策略，解決"看清了，該怎么辦"。
從看到到做決定，只有幾十毫秒。小米這次發布的 Xiaomi OneVL，就是在回答這個問題，當自動駕駛進入"需要推理"的階段，模型該怎么既快又準。
XLA路線，想清楚再開
如果把自動駕駛模型發展簡單分個階：
◎ 第一階段是感知驅動，核心是檢測和分割，把世界拆成"車、路、人"；
◎ 第二階段是模仿學習，模型直接學人類怎么開；
◎ 第三階段，才真正涉及認知和推理，小米把這套思路叫XLA。
XLA的關鍵變化是，是從"像人一樣開"，要解決“為什么這樣開"的問題。
前車減速、側方來車、道路收窄是決策鏈條里的變量。但是推理一加進來，系統延遲直接飆升。
行業里常見的解法是顯式思維鏈（CoT）。模型先把"思考過程"一步步生成出來，再給答案。這在語言任務里挺好用，但擱駕駛場景，基本等于沒用，逐token生成的延遲，在車規系統里是致命的。
另一條路叫Latent CoT：把推理過程壓進模型的隱空間，讓模型"心里想"，而不是"說出來再想"。
但問題在于，過去的Latent CoT壓縮的是語言。而開車，本來就不是語言問題。
OneVL最有價值的地方是重新定義了推理對象。
◎ 傳統Latent CoT的思路是：把"我為什么這么做"壓縮成一段隱變量。
◎ OneVL的思路是：真正需要壓縮的是未來。
自動駕駛決策是對接下來0.5秒、1秒場景會怎么演化的判斷：
◎ 那輛車會不會并線？
◎ 行人會不會進道路？
◎ 繼續加速會不會撞上？
駕駛決策依賴的是一個隱含的"世界模型"。OneVL的關鍵一步，就是把推理的載體，從語言轉向視覺時空結構，也就是未來場景本身。
架構：三個克制但關鍵的設計
OneVL在結構上做了三件挺克制、但很關鍵的改變。
● 雙模態latent token：讓"想"和"理解"分開
模型內部引入兩類隱變量：
◎ 視覺latent token：負責編碼場景里的物理關系和時序變化
◎ 語言latent token：負責表達駕駛意圖和語義邏輯
相當于把"世界怎么變"和"我要做什么"分開建模。模型不再用語言強行描述物理世界，而是在視覺空間里直接推理。
好處是，信息不會在語言壓縮過程中丟失。過去Latent CoT的問題，本質就是把高維時空信息硬塞進語言結構，信息損耗不可避免。
● 雙解碼器監督：訓練時"想清楚"，推理時"直接給答案"
OneVL引入了兩個解碼器，但只存在于訓練階段：
◎ 視覺解碼器：預測未來0.5s / 1s的場景
◎ 語言解碼器：重建人類可讀的推理過程
這一步很關鍵。等于是給latent token加了兩種約束：
◎ 模型必須學會正確預測未來世界，否則視覺監督會懲罰它；
◎ 另它還要能解釋自己的決策邏輯，否則語言監督也會拉回來。
但在推理階段，這兩個解碼器全部移除。
模型訓練時被逼"想清楚"，但實際跑的時候直接給答案，典型的"訓練-推理解耦"。
● 一步式推理：徹底消滅自回歸
OneVL最激進的設計：推理階段不做任何逐token生成，所有latent token一次性預填充，模型并行計算，直接輸出軌跡或決策。
延遲理論上可以接近"只輸出答案"的模型，而不是傳統CoT那種需要逐步生成的結構。
相比顯式CoT，速度最高提升2.3倍，精度還更高。說白了，這不是優化，是換賽道。
OneVL容易被忽略的一點，是它的訓練流程，分三個階段：
◎ 先單獨訓練視覺解碼器，讓模型學會預測未來
◎ 再訓練主模型，學習基本的軌跡和表示
◎ 最后聯合微調，把三者對齊
聽著挺麻煩，但結果說話：跳過這步，性能直接掉20多分。軌跡、語言、視覺一起練會打架。如果不分階段處理，模型很容易陷入梯度干擾，OneVL是一套訓練方法的工程化解法。
從指標上看，OneVL在多個基準上已經超過顯式CoT，這在過去挺難想象的，同時解決了三個長期問題：
◎ 第一，CoT太慢。 自回歸推理在車規系統里幾乎不可接受，而OneVL把延遲壓到了0.24秒量級，已經進入可部署區間。
◎ 第二，隱式推理不夠強。 過去Latent CoT精度不如顯式CoT，本質是信息壓縮方式不對。OneVL通過引入世界模型監督彌補了這一點。
◎ 第三，可解釋性缺失。 端到端模型一直被吐槽"黑盒"。OneVL通過語言+視覺雙解釋，把決策過程重新暴露出來。
這三點，對應的是自動駕駛落地的三個核心門檻：性能、實時性、可驗證性。
這套方法，并不局限于自動駕駛。機器人、具身智能，甚至復雜決策系統，只要涉及"未來狀態預測+實時決策"，都可以套用。
OneVL已經把延遲壓到了4Hz級別，在很多輔助駕駛場景里是可以接受的。
但距離真正大規模上車，還有幾個現實問題：
◎ 算力成本是否可控；
◎ 長尾場景下的魯棒性；
◎ 以及最關鍵的，數據規模是否足以支撐這種推理能力。
過去行業在"要不要推理"之間搖擺。OneVL的答案是，推理必須要有，但玩法得變。
OneVL真正做的事情是讓模型在有限時間里，用對的方式思考，小米的自動駕駛能后來居上嗎？
