OneVL：一步式潜空间推理，让自动驾驶告别推理延迟
OneVL: One-Step Latent Reasoning and Planning with Vision-Language Explanation
本文由小米机器人实验室提出 OneVL，一种用于自动驾驶的一步式多模态潜空间推理与规划框架。通过引入视觉与语言双重辅助解码器，OneVL 在保持极低推理延迟的同时，实现了超越显式 Chain-of-Thought (CoT) 的规划精度，在 NAVSIM 等四个主流基准测试上刷新了 SOTA 记录。
TL;DR
小米具身智能团队推出的 OneVL 成功解决了自动驾驶大模型中“推理性能”与“响应速度”不可兼得的难题。它通过将复杂的推理过程压缩进几个 Latent Tokens，并利用 语言 CoT 和 视觉世界模型 双重监督，实现了在“全速”运行的同时，规划精度首次超越了传统的“慢速”显式推理模型。
痛点与动机：为什么之前的推理模型都不行？
在自动驾驶领域，Chain-of-Thought (CoT) 虽好，但它像个话痨：必须一个字一个字吐出推理逻辑，才能给出最终轨迹，这在需要实时响应的驾驶场景中是致命的。
前人曾尝试使用潜空间（Latent Space）来“快进”这个过程，但效果惨不忍睹。作者发现，现有的潜空间方法（如 COCONUT, SIM-CoT）大多只盯着文字看，忽略了自动驾驶本质上是一个时空动力学问题。如果潜空间里没有对未来路况、障碍物运动的物理直觉，光靠语言预测是不可能开好车的。
核心机制：Language + World Model 双重验证
OneVL 的精髓在于它不只是“想”，还在不停地“看”和“预测”。
1. 架构创新：双头辅助解码器
模型在 LLM 输出层后面挂了两个训练时的“外挂”：
- 语言辅助解码器 (Dl)：确保 Latent Tokens 里存着人能看懂的驾驶逻辑。
- 视觉辅助解码器 (Dv)：这是一个浓缩的世界模型，它要求 Latent Tokens 必须能预测出未来 0.5s 和 1.0s 的交通实景。
2. Prefill Inference：掩耳盗铃般的加速
这是实现低延迟的关键。在推理阶段，OneVL 丢弃了所有的辅助解码器。由于 Latent Tokens 是在输入前缀（Prefill）阶段以固定长度插入的，Transformer 的并行特性使得处理这些 Token 的时间成本几乎为零。
实验结果：既要、又要、还要
OneVL 在 NAVSIM、ROADWork 等四个高难度测试集中展现了压倒性优势。
- 性能制霸：在 NAVSIM 上，OneVL 跑出了 88.84 分，不仅超过了所有潜空间方法，还超过了需要几秒钟慢慢生成的显式 CoT 模型。
- 极速响应：推理延迟与最简单的 Answer-only 模式完全一致（约 4.46s），比显式 CoT 快了近 50%。
深度洞察：为什么视觉监督是“大杀器”？
消融实验给出了一个非常有趣的结论：视觉世界模型的监督作用（+0.87）远强于语言监督（+0.31）。
这意味着对于自动驾驶而言，与其教模型如何用漂亮的话解释路况，不如教它预测下一步障碍物在哪。视觉预测迫使潜空间捕获了底层的因果几何关系，这种“物理直觉”才是提升泛化能力的核心。
总结与局限
OneVL 为 VLA 架构提供了一个教科书级的思路：推理不一定要说出来，但一定要受物理世界的规律约束。
局限性：虽然精度极高，但目前的轨迹生成仍依赖于自回归采样，对于更极端的高频控制需求，论文提到可以结合 MLP Head 将延迟进一步压低至 0.24s，这为真正的实车部署留下了广阔的想象空间。