这项由小米具身智能团队主导开展的盘问，以arXiv预印本阵势于2026年4月20日公开发布，编号为arXiv:2604.18486v1，盘问地点涵盖狡计机视觉与自动驾驶推理打算。有敬爱深入了解的读者不错通过该编号在arXiv平台上查阅完满论文。

**开车时，大脑在作念什么？**

每次你开车拐弯，你的大脑齐在迅速运转：前边那辆车在减慢吗？路口的红灯快变了吗？左边那辆车会不会短暂并谈？你要综合扫数这些信息，才能决定踩油门、踩刹车，如故打地点盘。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，想作念到相同的事情，却要付出浩大的代价——时辰代价。

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，就像一个学生查验时先在草稿纸上列出解题才能，然后再在答题纸上写谜底。这种"先想明晰从头动"的方式，学术上叫作念"链式推理"（Chain-of-Thought，简称CoT），它的刚正是准确，但问题也很彰着：太慢了。一辆车在高速公路上跑，如果AI每次决策齐要先写几十个字的"想考过程"，那等它想好了，可能依然追向前边的车了。

恰是为了措置这个矛盾，小米具身智能团队建议了一个名为OneVL的新框架。它的中枢想想不错用一句话空洞：**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富有贤惠、富有准确。** 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**

先来搞明晰现存方法的窘境。面前主流的自动驾驶AI，在猜想下一步轨迹之前，会生成一大段翰墨推理，比如"前列左侧车谈有一辆大货车正在以较快速率围聚，右侧有行东谈主行将进入斑马线，面前绿灯还有8秒……要而论之，应当减慢并保执车谈"。这段推理很有道理，对普及驾驶准确性也如实有匡助，但生成它需要消费至极长的时辰。

盘问团队在测试中发现，秉承完满翰墨推理的AI（也即是"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。而如果凯旋跳过推理、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。在真实驾驶场景里，两秒钟不错让一辆车行驶快要60米，足以发生严重事故。

于是有东谈主预见了一个折中决议：既然显式写出推理太慢，那能不成把推理过程"藏起来"，让AI在里面偷偷想一想，不把想考过程写出来，凯旋输出谜底？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，齐在尝试这条路。

可是问题来了：这些隐式推理方法在自动驾驶场景下，阐发反而比什么齐不想的"凯旋输出谜底"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，而什么推理齐不作念的凯旋猜想得了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真实宇宙的一层抽象。用语言来描绘"前列有车"，跟的确看到一辆车比较，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，仅凭听别东谈主描绘路况来限制地点盘——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的联想想路，不错用一个厨师的譬如来纠合。一位顶级厨师在烹调时，并不会每次切菜齐停驻来高声背诵菜谱——他的工夫依然融入了肌肉系念和直观之中。但如果你问他"你刚才为什么要加这一勺盐"，他能坐窝给你一个清亮的解说。况兼，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形势。

OneVL即是要让AI作念到相同的事情。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满的翰墨，更像是大脑里一闪而过的"念头编码"——相配紧凑，却包含了丰富的信息。

为了确保这些"念头编码"里确实装了灵验的东西，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翰墨推理。第二个翻译官更特真谛，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改日0.5秒和1秒之后的路面画面——也即是说，AI需要"脑补"出立时要发生的场景长什么样。

这第二个翻译官，恰是总共联想的精髓所在。因为要猜想出改日的画面，AI就必须的确纠合当今的路况：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？扫数这些动态的、空间的信息，齐必须被压缩进那些"视觉念头编码"里，不然画面就根底画不出来。这就像是，只好你的确纠合了通盘数学题的解法，你才能猜想出下一步算式的驱逐——没主见靠蒙。

关节在于，这两个翻译官只在教师阶段存在，在试验起程时会被凯旋丢弃。AI起程后，只需要把那些经过充分教师的"念头编码"凯旋填入推理经由，然后一步输出驾驶轨迹。这种方式叫作念"预填推理"（Prefill Inference），总共过程的速率和什么齐不想就凯旋给谜底的方式险些一样快，在NAVSIM测试中仅需4.46秒，与凯旋猜想的4.49秒险些莫得区别。

---

**三、AI何如学会"想"而不说出来：三阶段教师经由**

纠合了OneVL的联想想路之后，还有一个关节问题：何如把它教师出来？这就像培养那位顶级厨师——你不成第一天就让他在比赛级别的压力下完成通盘顶级菜肴，而是需要循序渐进地打磨本领。

OneVL的教师分为三个主要阶段，在肃肃进入这三个阶段之前，还有一个霸术才能。

霸术才能是让视觉缓助解码器"自学看宇宙"。在这一步，这个解码器实足寂然于总共AI系统，只靠面前帧的画面特征来猜想下一帧画面。它要学会：给我看当今的路况，我来猜接下来路面会形成什么形势。这一步用了约13040个优化才能，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，才能在后续教师中更好地互助总共系统。

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）入手学习把那些"念头编码"镶嵌到推理经由中，同期完成轨迹猜想任务。这一步的目的是让模子拓荒起基础才智：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。这个阶段教师了2个完满的数据轮次，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——也即是说，中枢AI暂时住手更新，保执厚实景况。只好两个缓助解码器在教师：语言缓助解码器学着把编码解读成翰墨，视觉缓助解码器学着把编码解读成改日画面。这就像是先把厨师的工夫固定下来，然后专门教师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。这个阶段教师了1个数据轮次，学习率为1×10??。

第二阶段（Stage 2）是全面和洽微调。三个部分——主模子、语言解码器、视觉解码器——同期更新，相互影响。来自两个解码器的"翻译质地"反映，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。这个阶段教师了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"必须能看见改日"的压力，迫使主模子的视觉潜变量的确编码进了时空动态信息。

盘问团队迥殊测试了"如果跳过这三个阶段，凯旋端到端和洽教师会如何"。驱逐相配惨烈：PDM评分从88.84分跌到了67.13分，下跌了突出21分。进一步侦察教师过程发现，凯旋和洽教师会导致梯度爆炸，启动梯度范数高达378.22（而正确的三阶段教师保执在0.28），视觉解码器生成的"改日画面"也实足是胡乱的噪声，与输入画面毫无关系。

---

**四、在四个测试局面上，OneVL的收获单是什么样的**

盘问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，这四个平台覆盖了从曩昔城市谈路到极点特殊场景的平凡情况。

第一个测试平台是NAVSIM，这是一个从真实驾驶数据中索求的大限制测评平台，使用PDM评分来综认为议轨迹安全性、舒限制和行驶效用，分数越高越好。OneVL在这里拿到了88.84分，不仅突出了之前扫数使用隐式推理的方法（COCONUT最高84.84分），还突出了最佳的显式推理方法（88.29分），更突出了此前文件中最强的两个参考模子：AdaThinkDrive（8B参数限制，86.20分）和LaST-VLA（8B参数限制，87.30分）。而OneVL只用了4B参数，却作念到了更好的收获。

第二个测试平台是ROADWork，滚球app官网下载这个平台专门测试在谈路施工区域行驶的才智——到处是锥桶、临时秀雅、不章程车谈差别，还有衣着荧光背心的工东谈主。这类场景在曩昔测评中险些看不到，但在真实驾驶中却极为常见。使用ADE（平均位移缺陷，越低越好）和FDE（尽头位移缺陷，越低越好）来计划。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，差距相配显耀。

第三个测试平台是Impromptu，它收罗了八个真实驾驶数据会聚的"相配规情景"，比如谈路范围不清亮、临时交通章程变更、奇怪的进犯物出现等。OneVL的ADE为1.34米、FDE为3.70米，突出了该平台原始论文中的自带模子（1.60米和4.28米），以及扫数同等限制的对比方法。在更细巧的时序缺陷分析中，OneVL在1秒、2秒、3秒、4秒的猜想上均为最优，平均L2缺陷仅为1.01米。

第四个测试平台是APR1，它引入了一种叫作念"因果链阐扬"（Chain of Causation）的推理标注，条款AI不仅仅猜想轨迹，还要纠合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，还使用了特殊的强化学习教师）。在FDE方针上，OneVL为7.53米，略逊于Cosmos-Reason的7.42米，这个轻微差距盘问团队解说是因为Cosmos-Reason特殊使用了强化学习来优化，属于不同量级的参加。

---

**五、AI的"脑补画面"长什么样，推理翰墨又质地如何**

OneVL的一个迥殊之处在于，它能在推理终局后让两个缓助解码器输出不错被东谈主类纠合的内容，从而竣事可解说性。

在视觉层面，盘问团队展示了多个测试场景下，视觉缓助解码器生成的"改日画面"。以NAVSIM的一个弯谈场景为例，面前画面败露车谈右侧相近不可行驶区域，需要向左微调地点。视觉解码器在0.5秒和1秒青年景的画面，诚挚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关系也安妥物理轨则，说明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师的对照组中，疏导输入的改日帧猜想实足是与场景绝不关系的图像噪声，说明模子莫得的确学会动态场景建模，而是走了捷径，记取了某些常见画面的名义特征。

在语言层面，盘问团队对NAVSIM测试集的500个样本进行了翰墨推理质地的量化评估，联想了三个方针。第一个是"元步履准确率"：每段推理终末会得出一个高层决策，如"保执速率并督察车谈"，这个决策的猜想准确率越高越好。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真谛相近的AI模子来打分。第三个是"AI裁判评分"（LLM-as-Judge Score），让谷歌的Gemini模子饰演裁判，把柄场景图像、要领谜底推理翰墨和模子输出推理翰墨，从感知准确性、动态猜想、决策合感性、语言绽放性四个维度打分。

在这三项评估中，OneVL的语言缓助解码器在元步履准确率上达到了71.00，突出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，完满显式推理的方法（AR CoT+Answer）仍然保执最高，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：一个特真谛的发现**

消融实验（也即是"秩序去掉某个零件，看性能如何变化"的测试）揭示了一个很特真谛的轨则。

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。两者齐有孝敬，但视觉监督的孝敬快如若语言监督的三倍。

原因在于，自动驾驶试验上是一个空间猜想任务，而不是一个语言理奉命务。"前列有车"这句话和的确"看到"前列的车，关于打算轨迹来说，提供的信息密度实足不在一个量级上。视觉解码器条款AI猜想出改日场景的像素级阐发，这意味着潜变量必须编码车辆的位置、速率、地点，谈路的几何款式，以及它们随时辰的变化关系——任何信息的缺失齐会导致"画面不合"的凯旋反映。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。

这个发现对总共隐式推理领域的真谛真谛在于，当你试图把一个需要多模态纠合的任务压缩到一个紧凑的暗示空间里，阿谁压缩主见本人的质地决定了最终性能的上限。语言仅仅宇宙的影子，视觉宇宙模子才是更接近因果试验的压缩主见。

---

**七、面向真实部署：用极小的代价换极快的速率**

盘问团队还探索了一个更激进的部署决议：在总共系统上特殊挂载一个轻量级的MLP（多层感知机）猜想头，凯旋从终末一个潜变量的隐蔽景况转头出轨迹坐标，实足绕过自转头翰墨生成。

这个决议的蔓延只好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分的收获，仍然突出了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，使用的是完满自转头推理，蔓延远高于0.24秒。在试验部署中，一个以4Hz执续厚实决策的轻量模子，接续比一个偶尔给出高质地谜底但蔓延不可接受的重型模子更有实用价值。

这也意味着OneVL试验上提供了两种部署选项：一种是保留自转头轨迹生成、赢得最高精度的完满模式（4.46秒，88.84分）；另一种是接上MLP猜想头、糟跶约2分精度换取18倍速率普及的超轻量模式（0.24秒，86.83分）。工程师不错把柄试验车辆的狡计资源和任务条款机动选拔。

---

**八、四个测试平台用到的数据和标注是何如来的**

OneVL在教师时需要三类监督信号：轨迹标注（来自各数据集本人）、翰墨推理标注（需要特殊构建）和改日帧视觉标注（通过IBQ视觉分词器离线生成）。

翰墨推理标注的构建方式因数据集而异。在NAVSIM上，盘问团队凯旋复用了AdaThinkDrive发布的CoT标注，这些标注覆盖了车谈识别、关节对象分析（如车辆、行东谈主）和高层驾驶意图的描绘。在ROADWork上，团队使用里面开发的活水线，专门针对施工区域场景进行了标注，要点包括危机物识别（锥桶、护栏、临时秀雅）、非要领车谈解读和速率/侧向断根决策的意义。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，盘问团队使用公开的APR1-10B模子侦察点，对全部教师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个关节点以适配自转头生成款式。

视觉标注则更为自动化：使用Emu3.5的IBQ分词器，将每个教师样本的改日两帧图像（+0.5s和+1.0s）离线编码为翻脸视觉词汇序列，码本大小为131072。这个过程实足不需要特殊的推理时辰，事先狡计罢了后凯旋手脚教师标签使用。

---

归根结底，OneVL措置的问题不错用一句大口语来说明晰：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，但后果比想考更好"。以往的决议要么快但不准，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"必须能画出改日"这个硬拘谨，将就压缩出来的"念头"里装满了的确灵验的时空动态信息，然后在推理时凯旋用这些念头，两个翻译官静偷偷地隐匿，总共决策过程快得像闪念。

这项盘问对曩昔东谈主的生计意味着，咱们离那辆的确能安全、绽放、及时应付复杂路况的自动驾驶汽车，又近了一步。况兼这一步并不是靠堆砌更多的狡计资源竣事的，而是靠一个更贤惠的联想想路。

有敬爱深入了解技术细节的读者，不错通过arXiv编号2604.18486在arXiv.org上查阅完满论文，扫数实验代码和演示页面也可通过论文中提供的神态主页获取。

---

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，会把经过教师的"潜变量代号牌"凯旋填入输入指示词中（也即是预填方式），这些代号牌在预处理阶段被一次性并行处理，不需要像生成翰墨那样逐字逐句恭候。是以总共过程对蔓延险些莫得特殊影响，测试败露与实足不推理的凯旋猜想方法收支不突出0.03秒。

Q2：OneVL的视觉缓助解码器生成的改日画面，是的确的视频猜想吗？

A：演叨足是传统真谛真谛上的视频猜想。视觉缓助解码器猜想的是改日0.5秒和1秒时的场景画面，这些画面以翻脸视觉词汇序列的阵势暗示，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，而是手脚教师阶段的监督信号，将就视觉潜变量编码富有丰富的时空动态信息。推理时解码器会被丢弃，生成视觉解说是一个可选的"过后解说"功能。

Q3：OneVL和曩昔自动驾驶AI比较，最试验的区别是什么？

A：最试验的区别在于OneVL引入了"宇宙模子监督"。曩昔隐式推理AI试图压缩语言描绘，而语言是对宇宙的二次抽象，丢失了渊博空间动态信息。OneVL通过条款AI大致猜想出改日的视觉画面，抵制其压缩出的"念头"的确纠合物理宇宙的因果动态滚球app官网下载，而不仅仅记取语言描绘的名义轨则。这是性能普及的根原着手。

亚搏体育中国官网在线入口