Xiaomi OneVL：一种带有视觉语言解释的一步式隐式推理与规划

链式思维 (CoT) 推理已成为基于视觉-语言-动作 (VLA) 的自动驾驶轨迹预测的强大驱动力，但其自回归本质导致实际部署受限于延迟。隐式 CoT 方法试图通过压缩推理到连续隐藏状态来弥补这一差距，但始终不足以媲美其显式对应物。我们认为这源于纯语言隐式表示压缩的是世界的符号抽象，而非实际支配驾驶的因果动力学。因此，我们提出了 OneVL (一种视觉语言解释的一步式隐式推理与规划)，一个统一的 VLA 和 World Model 框架，其推理通过由双辅助解码器监督的紧凑隐式 token 完成。在语言解码器重建文本 CoT 之外，我们引入了视觉世界模型解码器，用于预测未来帧 token，迫使隐式空间内化道路几何、代理运动和环境变化的因果动力学。我们设计了一个三阶段训练管道，逐步将这些隐式与轨迹、语言和视觉目标对齐，确保稳定的联合优化。在推理期间，丢弃辅助解码器，所有隐式 token 同时预填充单一并行传递，匹配仅答案预测的速度。在四个基准测试中，OneVL 成为首个超越显式 CoT 的隐式 CoT 方法，在答案-only 延迟下实现了卓越的准确率。这些结果表明，随着世界模型监督，隐式 CoT 能产生比冗长的逐 token 推理更具可迁移性的表示。代码已开源至社区。项目页面: https://xiaomi-embodied-intelligence.github.io/OneVL