自动驾驶技术发展至今，视觉语言动作模型与世界模型两大技术路线长期并行，前者聚焦实时场景理解与驾驶指令生成，后者致力于未来环境演变的精准预测。两者能否深度融合，构建更高效、更强大的自动驾驶推理系统？小米技术最新开源的Xiaomi OneVL一步式潜空间语言视觉推理框架，为这一行业难题提供了突破性的解决方案。
简而言之，Xiaomi OneVL实现了业内首创的技术整合：它将视觉语言动作模型、世界模型以及潜空间推理这三大关键技术路径，统一纳入同一个高效框架。这不仅延续了大语言模型强大的逻辑推理能力，更在推理速度与精度上实现了显著提升。官方测试表明，其精度已超越传统的显式思维链方法，而在推理效率上，则可媲美直接输出结果的潜空间思维链方案。
那么，这种统一框架是如何运作的？关键在于其采用的“潜空间推理”机制。与需要逐步输出中间思考步骤的显式推理不同，潜空间推理将复杂的逻辑推演过程压缩在模型内部的高维隐空间中完成，从而直接输出最终决策。Xiaomi OneVL正是基于这一原理，首次将实时场景理解与长时程未来预测统一于同一套潜空间计算框架，使模型能够同步处理“当前如何行动”与“未来如何演变”这两大自动驾驶核心命题。
实际性能表现如何？多项权威基准测试给出了有力印证。在覆盖环境感知、逻辑推理与路径规划的多个主流评测中，Xiaomi OneVL全面刷新了潜空间推理方法的性能纪录。
尤为重要的是，该框架有效缓解了AI决策可解释性不足的“黑箱”问题。它为每一次驾驶决策提供双重维度的解释：既能以自然语言说明“采取此行动的原因”，也能通过生成的视觉序列直观呈现“后续可能发生的场景”。这种“语言阐述结合视觉推演”的可解释能力，对于构建安全、可信、可靠的自动驾驶系统具有关键意义。
目前，小米已将Xiaomi OneVL的完整模型权重、训练代码及推理工具链全面开源，以促进自动驾驶与具身智能领域的研究创新与技术落地。相关资源汇总如下：
- 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
