这项由小米具身智能团队主导开展的沟通，以arXiv预印本形式于2026年4月20日公开辟布，编号为arXiv:2604.18486v1，沟通地方涵盖斟酌机视觉与自动驾驶推理规划。有兴致深入了解的读者不错通过该编号在arXiv平台上查阅完好意思论文。

**开车时，大脑在作念什么？**

每次你开车拐弯，你的大脑王人在马上运转：前边那辆车在减慢吗？路口的红灯快变了吗？左边那辆车会不会斯须并谈？你要综合统共这些信息，才略决定踩油门、踩刹车，如故打地方盘。这个想考过程看起来很当然，但关于一台自动驾驶的汽车AI来说，想作念到相似的事情，却要付出强大的代价——时候代价。

传统的自动驾驶AI在作念决策时，会先把脑子里的"想法"逐字逐句地写出来，就像一个学生检会时先在草稿纸上列出解题门径，然后再在答题纸上写谜底。这种"先想了了从头动"的方式，学术上叫作念"链式推理"（Chain-of-Thought，简称CoT），它的克己是准确，但问题也很彰着：太慢了。一辆车在高速公路上跑，如果AI每次决策王人要先写几十个字的"想考过程"，那等它想好了，可能依然追向前边的车了。

恰是为了处分这个矛盾，小米具身智能团队忽视了一个名为OneVL的新框架。它的中枢想想不错用一句话概述：**把"写草稿"的过程压缩成"脑子里一闪而过的念头"，但同期确保这个念头鼓胀智谋、鼓胀准确。** 更神奇的是，OneVL还能在过后"翻译"出我方的推理过程，让东谈主类工程师看懂它在想什么。

---

**一、为什么"想得慢"是个要命的问题**

先来搞了了现存方法的窘境。现时主流的自动驾驶AI，在忖度下一步轨迹之前，会生成一大段笔墨推理，比如"前哨左侧车谈有一辆大货车正在以较快速率迫临，右侧有行东谈主行将进入斑马线，现时绿灯还有8秒……说七说八，应当减慢并保抓车谈"。这段推理很有道理，对擢升驾驶准确性也如实有匡助，但生成它需要奢华十分长的时候。

沟通团队在测试中发现，给与完好意思笔墨推理的AI（也等于"AR CoT+Answer"这种模式），在NAVSIM这个主流自动驾驶测评平台上，每次决策平均需要6.58秒。而如果径直跳过推理、只输出谜底（"AR Answer"模式），则只需要4.49秒。两者差了快要两秒钟。在着实驾驶场景里，两秒钟不错让一辆车行驶快要60米，足以发生严重事故。

于是有东谈主猜测了一个折中决策：既然显式写出推理太慢，那能不可把推理过程"藏起来"，让AI在里面偷偷想一想，不把想考过程写出来，径直输出谜底？这类方法被称为"隐式推理"或"潜在链式推理"（Latent CoT）。已有几个代表性方法，包括COCONUT、CODI和SIM-CoT，王人在尝试这条路。

然则问题来了：这些隐式推理方法在自动驾驶场景下，阐发反而比什么王人不想的"径直输出谜底"还要差。在NAVSIM测试中，COCONUT得了84.84分，CODI得了83.92分，SIM-CoT得了84.21分，而什么推理王人不作念的径直忖度得了87.47分。换句话说，这些"偷懒的想考者"不但没帮上忙，还帮了倒忙。

为什么会这么？小米团队给出了一个深远的会诊：这些方法把推理压缩成了语言的压缩，而语言本人就依然是对着实寰球的一层抽象。用语言来形色"前哨有车"，跟信得过看到一辆车比较，丢失了太多空间和动态信息。用压缩后的语言来进行自动驾驶决策，就像是让一个从未开过车的东谈主，仅凭听别东谈主形色路况来限定地方盘——听上去没问题，但细节全丢了。

---

**二、OneVL的中枢想路：给AI配两个"会话语的翻译官"**

OneVL的想象想路，不错用一个厨师的譬如来默契。一位顶级厨师在烹调时，并不会每次切菜王人停驻来高声背诵菜谱——他的期间依然融入了肌肉记挂和直观之中。但如果你问他"你刚才为什么要加这一勺盐"，他能坐窝给你一个透露的诠释。并且，他在烹调过程中，脑子里其实依然"看见"了这谈菜作念好之后的神态。

OneVL等于要让AI作念到相似的事情。它给AI配备了两种特殊的"代号牌"：一种叫视觉潜变量（Visual Latent Token），另一种叫语言潜变量（Language Latent Token）。这些代号牌本人不是完好意思的笔墨，更像是大脑里一闪而过的"念头编码"——相当紧凑，却包含了丰富的信息。

为了确保这些"念头编码"里简直装了有效的东西，OneVL配备了两个"翻译官"。第一个翻译官是**语言缓助解码器**，它的责任是把语言潜变量里的信息解码成东谈主类能读懂的笔墨推理。第二个翻译官更特地想，叫作念**视觉缓助解码器**，它的责任是把视觉潜变量里的信息解码成将来0.5秒和1秒之后的路面画面——也等于说，AI需要"脑补"出速即要发生的场景长什么样。

这第二个翻译官，恰是统共这个词想象的精髓所在。因为要忖度出将来的画面，AI就必须信得过默契咫尺的路况：前边那辆车开得有多快？它会不会变谈？路面是不是在弯谈上？统共这些动态的、空间的信息，王人必须被压缩进那些"视觉念头编码"里，不然画面就根底画不出来。这就像是，只好你信得过默契了一起数学题的解法，你才略忖度出下一步算式的隔断——没观念靠蒙。

枢纽在于，这两个翻译官只在教会阶段存在，在推行动身时会被径直丢弃。AI动身后，只需要把那些经过充分教会的"念头编码"径直填入推理历程，然后一步输出驾驶轨迹。这种方式叫作念"预填推理"（Prefill Inference），统共这个词过程的速率和什么王人不想就径直给谜底的方式险些一样快，在NAVSIM测试中仅需4.46秒，与径直忖度的4.49秒险些莫得区别。

---

**三、AI何如学会"想"而不说出来：三阶段教会历程**

默契了OneVL的想象想路之后，还有一个枢纽问题：何如把它教会出来？这就像培养那位顶级厨师——你不可第一天就让他在比赛级别的压力下完成一起顶级菜肴，而是需要循序渐进地打磨本领。

OneVL的教会分为三个主要阶段，在负责进入这三个阶段之前，还有一个权谋门径。

权谋门径是让视觉缓助解码器"自学看寰球"。在这一步，这个解码器实足零丁于统共这个词AI系统，只靠现时帧的画面特征来忖度下一帧画面。它要学会：给我看咫尺的路况，我来猜接下来路面会酿成什么神态。这一步用了约13040个优化门径，批量大小为256。这就像是让一个学生先反复看交通视频，培养他对谈路动态的基本直观，才略在后续教会中更好地融合统共这个词系统。

第零阶段（Stage 0）是主模子热身。在这个阶段，中枢的视觉语言模子（基于Qwen3-VL-4B-Instruct构建）开拔点学习把那些"念头编码"镶嵌到推理历程中，同期完成轨迹忖度任务。这一步的目的是让模子设立起基础才略：当你看到那些代号牌时，你要学着用它们来想考，而不是无视它们。这个阶段教会了2个完好意思的数据轮次，学习率为4×10??。

第一阶段（Stage 1）是两个翻译官的专门培训。在这个阶段，主模子被冻结——也等于说，中枢AI暂时住手更新，保抓知道状况。只好两个缓助解码器在教会：语言缓助解码器学着把编码解读成笔墨，视觉缓助解码器学着把编码解读成将来画面。这就像是先把厨师的期间固定下来，然后专门教会两个记载员如何把他的操作准确记载下来，而不会因为记载过程本人影响厨师的判断。这个阶段教会了1个数据轮次，学习率为1×10??。

第二阶段（Stage 2）是全面连络微调。三个部分——主模子、语言解码器、视觉解码器——同期更新，互相影响。来自两个解码器的"翻译质地"反应，会倒流回主模子，让主模子进一步优化那些"念头编码"的质地。这个阶段教会了5个数据轮次，学习率为1×10??。恰是在这一阶段，视觉缓助解码器施加的"必须能看见将来"的压力，迫使主模子的视觉潜变量信得过编码进了时空动态信息。

沟通团队格外测试了"如果跳过这三个阶段，径直端到端连络教会会如何"。隔断相当惨烈：PDM评分从88.84分跌到了67.13分，下跌了超越21分。进一步查验教会过程发现，径直连络教会会导致梯度爆炸，驱动梯度范数高达378.22（而正确的三阶段教会保抓在0.28），视觉解码器生成的"将来画面"也实足是胡乱的噪声，与输入画面毫无干系。

---

**四、在四个测试步地上，OneVL的得益单是什么样的**

沟通团队在四个不同的自动驾驶测评平台上对OneVL进行了全面测试，这四个平台狡饰了从泛泛城市谈路到顶点特殊场景的等闲情况。

第一个测试平台是NAVSIM，这是一个从着实驾驶数据中提真金不怕火的大领域测评平台，使用PDM评分来综合忖度轨迹安全性、舒为止和行驶遵循，分数越高越好。OneVL在这里拿到了88.84分，不仅超越了之前统共使用隐式推理的方法（COCONUT最高84.84分），还超越了最佳的显式推理方法（88.29分），更超越了此前文件中最强的两个参考模子：AdaThinkDrive（8B参数领域，86.20分）和LaST-VLA（8B参数领域，87.30分）。而OneVL只用了4B参数，却作念到了更好的得益。

第二个测试平台是ROADWork，博亚体育这个平台专门测试在谈路施工区域行驶的才略——到处是锥桶、临时符号、不章程车谈诀别，还有衣着荧光背心的工东谈主。这类场景在泛泛测评中险些看不到，但在着实驾驶中却极为常见。使用ADE（平均位移舛讹，越低越好）和FDE（非常位移舛讹，越低越好）来忖度。OneVL取得了12.49像素的ADE和28.80像素的FDE，而之前的最强专用方法YNet为22.68和80.78，差距相当显耀。

第三个测试平台是Impromptu，它集中了八个着实驾驶数据迫临的"相当规情景"，比如谈路范畴不透露、临时交通章程变更、奇怪的圮绝物出现等。OneVL的ADE为1.34米、FDE为3.70米，超越了该平台原始论文中的自带模子（1.60米和4.28米），以及统共同等领域的对比方法。在更细腻的时序舛讹分析中，OneVL在1秒、2秒、3秒、4秒的忖度上均为最优，平均L2舛讹仅为1.01米。

第四个测试平台是APR1，它引入了一种叫作念"因果链宝贵"（Chain of Causation）的推理标注，条款AI不仅仅忖度轨迹，还要默契决策背后的因果逻辑。OneVL在这里取得了2.62米的ADE，优于对比基准Cosmos-Reason（2.86米，参数目10B，还使用了稀疏的强化学习教会）。在FDE盘算上，OneVL为7.53米，略逊于Cosmos-Reason的7.42米，这个眇小差距沟通团队诠释是因为Cosmos-Reason稀疏使用了强化学习来优化，属于不同量级的进入。

---

**五、AI的"脑补画面"长什么样，推理笔墨又质地如何**

OneVL的一个格外之处在于，它能在推理收尾后让两个缓助解码器输出不错被东谈主类默契的内容，从而竣事可诠释性。

在视觉层面，沟通团队展示了多个测试场景下，视觉缓助解码器生成的"将来画面"。以NAVSIM的一个弯谈场景为例，现时画面走漏车谈右侧操纵不可行驶区域，需要向左微调地方。视觉解码器在0.5秒和1秒青年景的画面，赤诚地呈现了车辆向左偏移后路面应有的视角变化，谈路两侧的建筑物和树木位置干系也相宜物理步伐，阐述AI如实"看见了"行将发生的事情，而不是在胡乱生成。

比较之下，在莫得进行三阶段教会的对照组中，换取输入的将来帧忖度实足是与场景绝不筹商的图像噪声，阐述模子莫得信得过学会动态场景建模，而是走了捷径，记着了某些常见画面的名义特征。

在语言层面，沟通团队对NAVSIM测试集的500个样本进行了笔墨推理质地的量化评估，想象了三个盘算。第一个是"元行动准确率"：每段推理临了会得出一个高层决策，如"保抓速率并保管车谈"，这个决策的忖度准确率越高越好。第二个是"语义相似度评分"（STS Score），用一个专门用来判断两段话是否酷爱相近的AI模子来打分。第三个是"AI裁判评分"（LLM-as-Judge Score），让谷歌的Gemini模子上演裁判，凭证场景图像、范例谜底推理笔墨和模子输出推理笔墨，从感知准确性、动态忖度、决策合感性、语言畅通性四个维度打分。

在这三项评估中，OneVL的语言缓助解码器在元行动准确率上达到了71.00，超越SIM-CoT的67.20；在语义相似度上达到78.26，在AI裁判评分上达到79.13，均高于SIM-CoT的76.25和78.73。比较之下，完好意思显式推理的方法（AR CoT+Answer）仍然保抓最高，三项分别为73.20、79.75和81.86，但这是以慢得多的速率为代价的。

---

**六、视觉监督为什么比语言监督更迫切：一个特地想的发现**

消融实验（也等于"按序去掉某个零件，看性能如何变化"的测试）揭示了一个很特地想的步伐。

去掉视觉缓助解码器后，PDM评分从88.84跌到87.97，下跌了0.87分。去掉语言缓助解码器后，PDM评分从88.84跌到88.53，下跌了0.31分。两者王人有孝顺，但视觉监督的孝顺快如果语言监督的三倍。

原因在于，自动驾驶本色上是一个空间忖度任务，而不是一个语言理罢免务。"前哨有车"这句话和信得过"看到"前哨的车，关于规划轨迹来说，提供的信息密度实足不在一个量级上。视觉解码器条款AI忖度出将来场景的像素级阐发，这意味着潜变量必须编码车辆的位置、速率、地方，谈路的几何形态，以及它们随时候的变化干系——任何信息的缺失王人会导致"画面分歧"的径直反应。语言推理则更多是提供语义层面的锚点，让模子知谈我方在干什么，但无法替代空间动态信息。

这个发现对统共这个词隐式推理领域的酷爱在于，当你试图把一个需要多模态默契的任务压缩到一个紧凑的示意空间里，阿谁压缩想法本人的质地决定了最终性能的上限。语言仅仅寰球的影子，视觉寰球模子才是更接近因果本色的压缩想法。

---

**七、面向着实部署：用极小的代价换极快的速率**

沟通团队还探索了一个更激进的部署决策：在统共这个词系统上稀疏挂载一个轻量级的MLP（多层感知机）忖度头，径直从临了一个潜变量的荫藏状况追思出轨迹坐标，实足绕过自追思笔墨生成。

这个决策的延伸只好0.24秒，折合成频率约为4.16Hz，达到了车载及时系统的基本条款。代价是PDM评分从88.84降到了86.83，下跌了约2分。但这个86.83分的得益，仍然超越了LaST-VLA的87.30分？不，等一下——86.83如实低于LaST-VLA的87.30，但LaST-VLA是一个8B参数的模子，使用的是完好意思自追思推理，延伸远高于0.24秒。在推行部署中，一个以4Hz抓续知道决策的轻量模子，不时比一个偶尔给出高质地谜底但延伸不可接受的重型模子更有实用价值。

这也意味着OneVL推行上提供了两种部署选项：一种是保留自追思轨迹生成、赢得最高精度的完好意思模式（4.46秒，88.84分）；另一种是接上MLP忖度头、殉难约2分精度换取18倍速率擢升的超轻量模式（0.24秒，86.83分）。工程师不错凭证推行车辆的斟酌资源和任务条款活泼选拔。

---

**八、四个测试平台用到的数据和标注是何如来的**

OneVL在教会时需要三类监督信号：轨迹标注（来自各数据集本人）、笔墨推理标注（需要稀疏构建）和将来帧视觉标注（通过IBQ视觉分词器离线生成）。

笔墨推理标注的构建方式因数据集而异。在NAVSIM上，沟通团队径直复用了AdaThinkDrive发布的CoT标注，这些标注狡饰了车谈识别、枢纽对象分析（如车辆、行东谈主）和高层驾驶意图的形色。在ROADWork上，团队使用里面开辟的活水线，专门针对施工区域场景进行了标注，重心包括危急物识别（锥桶、护栏、临时符号）、非范例车谈解读和速率/侧向灭亡决策的原理。在Impromptu上，基于原数据集已有的问答对，添加了明确的决策标签和根因分析。在APR1上，由于官方未发布CoT标注，沟通团队使用公开的APR1-10B模子查验点，对全部教会数据生成了因果链标注，同期对密集的64点轨迹进行了启发式降采样，保留8个枢纽点以适配自追思生成形态。

视觉标注则更为自动化：使用Emu3.5的IBQ分词器，将每个教会样本的将来两帧图像（+0.5s和+1.0s）离线编码为龙套视觉词汇序列，码本大小为131072。这个过程实足不需要稀疏的推理时候，事先斟酌完了后径直动作教会标签使用。

---

归根结底，OneVL处分的问题不错用一句大口语来说了了：它让自动驾驶AI第一次竣事了"想考的速率和不想考一样快，但遵循比想考更好"。以往的决策要么快但不准，要么准但太慢，要么试图把想考压缩得很小但反而更差。OneVL用"必须能画出将来"这个硬不息，将就压缩出来的"念头"里装满了信得过有效的时空动态信息，然后在推理时径直用这些念头，两个翻译官静偷偷地隐藏，统共这个词决策过程快得像闪念。

这项沟通对泛泛东谈主的糊口意味着，咱们离那辆信得过能安全、畅通、及时搪塞复杂路况的自动驾驶汽车，又近了一步。并且这一步并不是靠堆砌更多的斟酌资源竣事的，而是靠一个更智谋的想象想路。

有兴致深入了解技术细节的读者，不错通过arXiv编号2604.18486在arXiv.org上查阅完好意思论文，统共实验代码和演示页面也可通过论文中提供的样式主页获取。

---

Q&A

Q1：OneVL的推理速率为什么能和"不推理"一样快？

A：OneVL在推理时，会把经过教会的"潜变量代号牌"径直填入输入辅导词中（也等于预填方式），这些代号牌在预处理阶段被一次性并行处理，不需要像生成笔墨那样逐字逐句恭候。是以统共这个词过程对延伸险些莫得稀疏影响，测试走漏与实足不推理的径直忖度方法收支不超越0.03秒。

Q2：OneVL的视觉缓助解码器生成的将来画面，是信得过的视频忖度吗？

A：虚假足是传统酷爱上的视频忖度。视觉缓助解码器忖度的是将来0.5秒和1秒时的场景画面，这些画面以龙套视觉词汇序列的形式示意，通过IBQ分词器编码。它的主要目的不是生成视频供东谈主不雅看，而是动作教会阶段的监督信号，将就视觉潜变量编码鼓胀丰富的时空动态信息。推理时解码器会被丢弃，生成视觉诠释是一个可选的"过后诠释"功能。

Q3：OneVL和泛泛自动驾驶AI比较，最本色的区别是什么？

A：最本色的区别在于OneVL引入了"寰球模子监督"。泛泛隐式推理AI试图压缩语言形色，而语言是对寰球的二次抽象博亚boya(中国)，丢失了大量空间动态信息。OneVL通过条款AI约略忖度出将来的视觉画面，抑制其压缩出的"念头"信得过默契物理寰球的因果动态，而不仅仅记着语言形色的名义步伐。这是性能擢升的根蓝本源。

K8凯发中国官方网站