小米技术团队近日正式发布并开源了Xiaomi OneVL一步式潜空间语言视觉推理框架。该框架在行业内首次实现了将视觉语言模型、世界模型与潜空间推理三大核心技术路线统一整合。它在充分继承并扩展大语言模型强大逻辑推理能力的基础上，显著提升了自动驾驶场景下的推理速度与决策精度，是一项具有里程碑意义的创新。具体性能上，其精度超越了传统的显式思维链方法，而在推理效率上则可媲美直接输出的潜空间思维链方案。

回顾技术发展，视觉语言模型和世界模型在自动驾驶领域长期处于并行发展的状态：视觉语言模型主要用于实时场景理解与驾驶指令生成，而世界模型则专注于对未来场景演变的精准预测。Xiaomi OneVL通过其创新的潜空间推理机制，成功将这两大核心能力深度融合，构建了一套端到端的统一推理框架。

在涵盖感知、推理与规划等多个主流自动驾驶评测基准上，Xiaomi OneVL全面刷新了潜空间推理方法的性能上限，创造了新的纪录。

如图所示，在ROADWork、Impromptu、Alpamayo-R1等权威基准测试中，其性能均达到了当前最优水平，并在NA VSIM基准上展现了卓越的综合表现。

尤为重要的是，Xiaomi OneVL为模型的决策过程提供了语言与视觉双通道的可解释性。这意味着，系统不仅能够用文本清晰阐述“为何做出此项驾驶决策”的逻辑依据，还能通过生成预测画面，直观呈现“未来数秒内可能发生的场景变化”。

上图直观地展示了这种语言描述与视觉预测并行的可解释性输出模式。

目前，小米已将Xiaomi OneVL的完整模型权重、训练代码及推理代码全面开源，以促进学术研究与产业应用。相关资源链接汇总如下：

技术报告：https://arxiv.org/abs/2604.18486
项目主页：https://Xiaomi-Embodied-Intelligence.github.io/OneVL
开源代码：https://github.com/xiaomi-research/onevl