小米近日发布 XiaomiOneVL，该框架为一步式潜空间语言视觉推理系统，首次在行业内统一了视觉语言动作模型（VLA）、世界模型和潜空间推理等技术路线。XiaomiOneVL 通过 " 语言推理 + 视觉未来预测 " 的双重监督机制，将可解释性与对未来场景的预测能力整合进潜空间推理过程，在推理精度上超越显式思维链（CoT）方法，同时在推理速度上与仅输出答案的潜空间 CoT 方案相当。 该框架基于三项关键技术：模型使用 " 内部语言 " 进行思考、具备预测未来画面的能力、并将整个推理过程压缩至单步完成，旨在提升自动驾驶系统对当前场景及未来时空因果关系的理解能力，以支持更高质量的决策。 小米已全面开源 XiaomiOneVL 的模型权重及训练、推理代码，向全球开发者和研究人员开放，以促进自动驾驶大模型的技术迭代与发展。