前几天，小米汽车正式放出一项重磅技术成果——发布了名为 Xiaomi Auto World Model 的全新框架。这不仅为小米汽车技术体系增添了新的核心能力，从智能汽车与辅助驾驶行业的发展视角来看，它也为辅助驾驶世界模型的设计与落地提供了一种全新思路，标志着行业正从传统的“场景感知”阶段，进一步迈向“认知推演、场景进化”的更高阶形态。
客观来说，这一框架最引人关注的亮点，在于它是业内首个将三维重建与视频生成深度融合的一体化架构。过去，行业普遍沿用“重建归重建、生成归生成”的独立拆分路线，而小米汽车这次提出的核心思路是“重建锚定几何、生成补足推演”，通俗理解，就是让两种能力彼此协同、相互赋能。最终效果也非常突出——在 Waymo、nuScenes 等主流基准测试中，Xiaomi Auto World Model 取得了全面 SOTA（当前最先进水平）的成绩，并且已经在小米汽车的合成数据、仿真测试和智能座舱三大核心应用场景中实现落地。
先来看一下技术背景。目前，世界模型相关研究大致沿着两条主要技术路线推进：重建（WorldRec）和生成（WorldGen）。
重建路线，核心逻辑是基于多视角观测恢复几何精确的 3D 场景。它的优势在于还原度高、空间一致性强，适合构建真实可靠的场景结构；但局限也很明显——它只能复原已经观测到的内容，无法对尚未发生或未被观测到的对象与事件进行有效推演。
生成路线，则是通过扩散模型直接预测未来画面，能够生成此前未见过的视角与场景内容，具备更强的“想象”和泛化能力。但代价在于，它缺少显式 3D 结构支撑，在长时序预测任务中容易出现轨迹漂移、细节失真以及场景不稳定等问题。
那么问题就在于：能否找到一种方法，让重建的稳定性与生成的灵活性实现优势互补？
Xiaomi Auto World Model 给出的答案，就是将重建模块与生成模块进行深度耦合，让两者在整体架构中形成相互约束、相互增强的关系。重建负责提供 3D 几何信息，作为稳定可靠的“结构化锚点”，像底座一样为生成过程提供方向与边界；生成则将预测能力延伸到观测范围之外，补齐重建在未知场景推演上的短板。两者共同形成闭环，因此真正实现了“1+1>2”的效果。具体来看，优势主要体现在三个关键层面：
高稳定性：WorldRec 提供的确定性几何约束，能够有效抑制长时间自回归预测中常见的误差累积、轨迹偏移和内容漂移问题。
高一致性：4D 场景表征相当于跨帧共享的“记忆单元”，无论是在不同时间轴之间切换，还是在不同视角之间观察，场景内容都能保持全局一致，避免前后不匹配的问题。
高真实性：WorldGen 以 WorldRec 渲染得到的 RGB 图像作为几何骨架，因此生成结果不仅符合物理世界的空间布局规律，也更接近真实传感器的观测效果，从而有效缩小仿真环境与真实道路场景之间的差距。
更值得关注的是，这套世界模型框架并非停留在概念验证或论文阶段。从当前公开成果来看，它已经在小米汽车的三类实际业务场景中完成应用落地：
合成数据生成：目前已交付超过 10 万 clips 的高质量合成数据，并直接用于感知模型训练，进一步提升了车辆在各类危险驾驶场景中的识别与感知能力。
仿真测试：依托该框架构建了完整的闭环仿真环境，不仅提升了测试效率、完善了测试流程与规范，还能够在仿真系统中复现真实事故场景，进而开展针对性的优化与验证。
辅助驾驶学堂：借助世界模型动态生成第一人称驾驶教学视频。当用户面对复杂道路环境或特殊路况时，系统可以直接播放一段生成式教学视频，演示正确的驾驶操作方式。目前，这项功能已经在小米全车型的“辅助驾驶学堂-实景模拟场景”中正式上线。
如果你希望进一步了解这项技术的原理、论文内容和更多细节，下面附上相关资源入口：
技术主页：https://JointWM.github.io/
论文链接：https://arxiv.org/pdf/2605.18137
