📌 关于论文：小米公开的精确名为 “One-VL” 的论文未检索到，本篇精读小米具身智能团队官方对外的工作 OneVL（One-Step Latent Reasoning and Planning with Vision-Language Explanation，arXiv:2604.18486）——这是小米 Embodied Intelligence Team 在自动驾驶 VLA 推理范式上的旗舰工作，也是前作 LaST-VLA 的工程化延续。
📄 论文信息
- 标题：OneVL: One-Step Latent Reasoning and Planning with Vision-Language Explanation
- 团队：小米具身智能团队（Xiaomi Embodied Intelligence Team） — Jinghui Lu、Jiayi Guan、Zhijian Huang、Lingdong Kong、Shaoqing Xu、Yuechen Luo、Fang Li、Long Chen、Hangjun Ye 等 50 余人
- 发表：arXiv:2604.18486（2026 年 4 月首发，49 页技术报告）
- 代码 / 项目：
github.com/xiaomi-research/onevl｜xiaomi-embodied-intelligence.github.io/OneVL - 骨干：Qwen3-VL 4B
- 一句话总结：首个超越显式 CoT 的隐式 CoT 方法——用一个语言解码器 + 一个视觉世界模型解码器双管齐下监督隐空间，推理时所有隐 token 一步 prefill 并行填完，做到"显式 CoT 的精度 + 直接出答案的延迟"，4B 模型在四大基准全 SOTA。
🤔 要解决什么问题？
思维链（CoT）推理已经成为 VLA 自动驾驶涨分的关键引擎，但它有个致命软肋——自回归生成文字太慢，几十上百 token 的推理链让实时部署几乎不可能。
社区的应对是 隐式 CoT：把推理压进连续隐状态，绕开冗长的文字生成。但所有现有隐式方法（COCONUT、CODI、SIM-CoT）一致地打不过显式 CoT，甚至经常连"不推理直接出答案"的 AR 基线都不如。OneVL 团队给出了一个犀利诊断：
问题不在"压缩"，而在"压缩目标"。
纯粹的语言隐变量压缩的只是世界的符号抽象，而不是真正支配驾驶的因果动力学。一个只压缩语言的隐向量，本质上只是在压缩"世界的描述"，而非"世界的物理结构"——这正是隐式 CoT 长期掉分的根因。
核心问题：如何让隐式推理的压缩目标真正捕捉因果关系？OneVL 的答案是——用两个辅助解码器联合监督隐空间：一个还原文字 CoT，一个预测未来视觉帧，逼隐变量同时承载语义意图和物理场景动力学。
🧠 核心架构：双模态隐式推理
OneVL 在预训练 VLM 上挂了一个紧凑的隐 token 接口和双辅助解码器，训练时三件套联合优化，推理时辅助解码器全丢弃、所有隐 token 一步并行 prefill，延迟与"直接出答案"持平。
双隐 token：紧致信息瓶颈
| 隐 token | 数量 | 作用 |
|---|---|---|
| 视觉隐 token | 35 个 | 承载场景的因果动力学结构 |
| 语言隐 token | 20 个 | 承载语义意图（场景理解、物体分析、驾驶决策） |
合计 55 个隐 token 构成一个紧致的信息瓶颈——容量只够模型蒸馏场景的因果骨架，逼它放弃死记硬背、学出可泛化的表征。这种"刻意卡脖子"的设计是泛化性的关键。
语言辅助解码器：还原人读 CoT
从语言隐状态重建人类可读的 CoT 文本，把瓶颈接地到语义意图。典型的 CoT 形如：
“自车所在车道右侧靠近不可行驶区域，需稍向左偏；当前场景无需特别关注的物体；基于场景理解与导航，应保持车速并左转。”
这条监督确保隐空间没有丢掉"思考过程"的可解释语义。
视觉世界模型解码器：预测未来帧
这是 OneVL 最关键的创新。从视觉隐状态预测未来 +0.5s 和 +1.0s 的视觉 token，相当于挂了一个世界模型辅助头，把瓶颈接地到物理场景动力学——这是语言单独无法提供的因果压缩目标。
两个解码器一软（语义）一硬（物理），双管齐下把隐空间钉死在真实因果关系上。论文核心论断：
有了世界模型监督，隐式 CoT 能产生比逐 token 文字推理更可泛化的表征。
推理：一步 prefill 的关键突破
这是 OneVL 相对前作 LaST-VLA 最具工程价值的跃迁。传统的隐式 CoT 仍然需要自回归逐个生成隐 token，延迟优势有限；OneVL 的做法是——所有隐 token 在一次并行的 prefill 中一次性填完，等价于"直接出答案"的延迟成本。
具体而言，推理时辅助解码器被完全丢弃，55 个隐 token 作为可学习的"软提示"（soft prompt）插入序列，与图像/文本 token 一起在单次前向里并行计算，随后直接接动作 token 输出。这就把隐式 CoT 从"生成过程"变成了"单步映射"，彻底释放了隐式推理的延迟红利。这也是为什么 OneVL 能在 NAVSIM 上做到 4.46s 推理，与"不推理直接出答案"的 4.49s 几乎持平，却比显式 AR CoT 的 6.58s 快整整 32%。
🪜 三阶段渐进训练
OneVL 面临一个独特的优化难题：主 VLM、语言辅助解码器、视觉辅助解码器三者的学习目标根本不同，硬联合训练必然崩。作者用三阶段管线逐步对齐：
| 阶段 | 名称 | 解冻模块 | 核心目标 |
|---|---|---|---|
| Stage 0 | 主模型热身 | 主 VLM 端到端 | 带着隐 token 训轨迹预测，让模型学会生成有意义的隐表征、建立信息路由 |
| Stage 1 | 辅助解码器热身 | 冻结主模型 | 只训两个辅助解码器，让它们对齐到稳定的隐表征上（语言解码 CoT、视觉预测未来） |
| Stage 2 | 联合端到端微调 | 三者全解冻 | 两个解码器的梯度回传进主模型，形成正向循环，从两侧收紧信息瓶颈 |
这套"先各自热身、再联合精修“的渐进策略是稳定性的命门。消融数据触目惊心：
| 配置 | NAVSIM PDMS | 相对完整模型 |
|---|---|---|
| OneVL（完整） | 88.84 | — |
| w/o 语言解码器 | 88.53 | −0.31 |
| w/o 视觉解码器 | 87.97 | −0.87（损失最大） |
| w/o 三阶段训练（直接端到端） | 67.13 | −21.71（灾难性崩塌） |
两个结论极其硬核：① 视觉世界模型解码器贡献最大（−0.87），印证了"因果动力学才是关键压缩目标"的核心论断；② 跳过三阶段直接联合训练会暴跌 21 分——多目标优化的冲突如果不靠渐进策略化解，模型根本学不出来。
📊 实验结果：4B 全场 SOTA + 答案级延迟
OneVL 是首个在四大基准上全面超越显式 CoT 的隐式方法。所有现有隐式方法（COCONUT、CODI、SIM-CoT）一致地打不过 AR 基线，只有 OneVL 反超。
NAVSIM：4B 干翻 8B
| 方法 | 模型规模 | PDMS ↑ | 延迟(s) ↓ | 可解释性 |
|---|---|---|---|---|
| AdaThinkDrive | 8B | 86.20 | — | 语言 |
| LaST-VLA（前作） | 8B | 87.30 | — | — |
| AR Answer（不推理） | 4B | 87.47 | 4.49 | — |
| AR CoT+Answer（显式） | 4B | 88.29 | 6.58 | 语言 |
| COCONUT（隐式） | 4B | 84.84 | 5.93 | — |
| CODI（隐式） | 4B | 83.92 | 8.62 | — |
| SIM-CoT（隐式） | 4B | 84.21 | 10.86 | 语言 |
| OneVL | 4B | 88.84 | 4.46 | 视觉+语言 |
OneVL 同时拿到了最高分和最低延迟——比显式 AR CoT 快 32%（4.46s vs 6.58s），精度还反超 0.55 PDMS。注意它只有 4B 却干掉了 8B 的 LaST-VLA 和 AdaThinkDrive，这是"压缩目标选对"带来的红利。
其他三大基准：一致领先
| 基准 | 指标 | 前 SOTA | AR CoT | OneVL |
|---|---|---|---|---|
| ROADWork | ADE / FDE (px) | YNet 22.68/80.78 | 13.18/29.98 | 12.49/28.80 |
| Impromptu | ADE / FDE (m) | Impromptu VLA 1.60/4.28 | 1.42/3.96 | 1.34/3.70 |
| Alpamayo-R1 | ADE / FDE (m) | Cosmos-Reason 2.86/7.42 | 2.99/8.54 | 2.62/7.53 |
跨四个差异极大的基准（闭环仿真、轨迹预测、长尾推理）一致 SOTA，说明这种"双解码器监督隐空间"的范式是可迁移的方法论，而非针对某榜调参。
走向真车部署：0.24s MLP 变体
为了真车实时性，作者在 Qwen3-VL 骨干上挂一个轻量 MLP 头，让模型单次前向就出轨迹，但训练时仍用多模态隐监督：
- 延迟 0.24s（4.16 Hz），满足真车实时控制
- PDMS 86.83，仅比完整版掉 2 分
- 仅为 AR 延迟的 5.4%
这个”训练时重监督、推理时轻量化“的思路极具工程价值——把昂贵的隐式推理留在训练阶段"教"模型，部署时用一个蒸馏出来的快头承接，是落地自动驾驶的标准范式。
双模态可解释性：语言 + 视觉
值得一提的是，OneVL 提供了双通路的人类可解释输出。语言辅助解码器能从压缩的隐变量中还原高质量的 CoT 文本（场景解读、物体分析、驾驶决策三段式），而视觉辅助解码器能生成空间连贯的未来帧预览（+0.5s、+1.0s）。这意味着即使推理时把辅助解码器旁路了，需要做事故复盘、合规审计、反事实分析时，仍可临时挂回来生成"我当时怎么想的、我预判下一秒会看到什么”——这种事后可解释性对自动驾驶的安全审计与监管合规至关重要，是单纯黑盒端到端模型无法提供的。
⚔️ 与前作 LaST-VLA 的进化
OneVL 是 LaST-VLA 的工程化升级，两者构成小米 VLA 推理的"组合拳"：
| 维度 | LaST-VLA（前作） | OneVL（本作） |
|---|---|---|
| 核心命题 | 隐式 CoT 必须物理接地 | 接地后能超越显式 CoT |
| 监督信号 | Cosmos + VGGT 特征蒸馏 | 语言解码器 + 视觉世界模型解码器 |
| 隐空间结构 | 动力学流 + 几何流（48 token） | 35 视觉 + 20 语言（55 token） |
| 推理方式 | 自回归生成隐 token | 一步 prefill 并行（关键突破） |
| 骨干 | InternVL3 2B/8B | Qwen3-VL 4B |
| 延迟优势 | 相对显式 CoT 有限 | 比显式 CoT 快 32% |
| 最大贡献 | 证道"隐式要接地" | 首个超越显式的隐式方法 |
从 LaST-VLA 到 OneVL，最关键的跃迁是从"自回归生成隐 token"到"一步 prefill 填充隐 token"——这把隐式 CoT 的延迟优势彻底释放出来，做到"显式 CoT 的精度 + 答案级延迟"。可以说 LaST-VLA 解决了"隐式推理能不能 work"，OneVL 解决了"能不能又快又 work"。
📝 个人思考
OneVL 最让我眼前一亮的是它对"隐式 CoT 为什么一直输给显式“这个老问题的犀利诊断。社区此前默认"压缩必然丢信息”，所以隐式天然该输。但 OneVL 把锅甩给了压缩目标——纯语言隐变量压缩的只是符号抽象，不是因果动力学。一旦把世界模型拉进来当监督，隐空间就被钉在了真实物理上，反而比逐 token 文字推理更可泛化。这个洞察的分量很重：它意味着"推理"不一定非要用语言承载，视觉未来预测本身就是一种更纯粹的因果推理——这对所有做 latent reasoning 的人都是启发。
第二个启发是三阶段训练的不可或缺。消融里"去掉三阶段直接端到端"暴跌 21 分，这个数字几乎是在咆哮：多目标优化不能硬联合。先让主模型建立稳定的隐表征、再让辅助解码器去对齐、最后才联合精修——这种"热身-对齐-协同"的节奏，本质上是给梯度流一个有序的引导路径，避免三个目标互相打架。这套范式对所有"大模型 + 多辅助头"的架构都有借鉴价值，特别是机器人 VLA、世界模型联合训练等场景。
第三点是关于信息瓶颈的工程美学。35 + 20 = 55 个隐 token，这个数字看似随意，实则是容量与泛化的精妙平衡——太大模型会死记训练分布，太小又信息过载。配合"双解码器从两侧收紧瓶颈"，OneVL 把隐空间逼成了一个只存因果骨架的极致压缩。这让我联想到信息论里的最小充分统计量——最优表征永远是"刚好够用"的那个，而不是最大的那个。
最后一点是关于真车部署的务实姿态。0.24s 的 MLP 变体让我看到小米是真的想上车，而不是刷榜。训练时用重监督喂饱表征、推理时用轻量头承接——这种"训重推轻"的蒸馏式部署范式，正是端到端自动驾驶从论文走向产品的最后一公里。结合小米 SU7 / YU7 的量产车数据闭环，OneVL 这种低延迟、可解释（语言+视觉双通路）的 VLA，离真车落地的距离已经非常近了。
总体而言，OneVL + LaST-VLA 这对组合拳，代表了小米在自动驾驶 VLA 推理范式上的体系化押注：隐式、接地、一步推理。当行业还在争论"要不要 CoT"时，小米已经用"世界模型监督的隐式 CoT“交出了一份兼顾精度、延迟、可解释性的答卷。这条路线能否成为端到端自动驾驶的事实标准，值得持续关注。
🔗 延伸阅读
| 工作 | 团队 | 与 OneVL 的关系 |
|---|---|---|
| LaST-VLA | 小米 / 同济 | 前作，首次提出物理接地的隐式 CoT；OneVL 工程化为一步 prefill |
| COCONUT | Meta | 经典隐式 CoT，OneVL 的对照基线（被超越） |
| CODI / SIM-CoT | — | 其他隐式 CoT 方法，均打不过 AR 基线 |
| AdaThinkDrive | — | 8B 自适应文本 CoT，OneVL 用 4B 反超 |
| DriveVLA-W0 | 中科院 × 蔚来 | 同样用世界模型监督，但走显式图像生成路线 |
| Qwen3-VL | 阿里 | OneVL 的 VLM 骨干 |
| NAVSIM / ROADWork / Impromptu / Alpamayo-R1 | — | OneVL 刷新的四大基准 |
📖 这是论文精读系列的第 19 篇。当隐式 CoT 终于在精度上反超显式，自动驾驶的"实时推理"或许找到了真正的解法。你认为一步 prefill 的隐式推理会成为车端 VLA 的标配吗？欢迎留言讨论。