小米汽車發(fā)布世界模型新框架 融合重建與生成

5月26日消息，小米技術(shù)官方宣布小米汽車正式推出Xiaomi Auto World Model全新框架，將三維重建與視頻生成深度耦合，為業(yè)界輔助駕駛世界模型提供了新的整合路徑。

這一框架打破了行業(yè)長期將重建與生成獨立拆分的做法，在Waymo、nuScenes等主流基準(zhǔn)測試中全面取得SOTA，并已在小米汽車合成數(shù)據(jù)、仿真測試、智能座艙三大核心場景完成落地。

世界模型本質(zhì)上是為智能駕駛構(gòu)建一個可預(yù)測、可推理的“數(shù)字平行世界”。行業(yè)此前存在兩條主要技術(shù)路線：重建路線（WorldRec）從多視角觀測恢復(fù)幾何精確的3D場景，高保真但只能還原已見內(nèi)容，缺乏想象能力；生成路線（WorldGen）通過擴散模型直接預(yù)測未來畫面，能“想象”未觀測視角，但缺乏顯式3D結(jié)構(gòu)，長時序下容易漂移失真。

小米的方案讓二者深度耦合：重建模塊提供3D幾何結(jié)構(gòu)化錨點約束生成穩(wěn)定性，生成模塊將預(yù)測能力延伸到觀測之外彌補重建邊界，形成閉環(huán)互相增益。

技術(shù)指標(biāo)上，重建模塊WorldRec采用稀疏三維錨點表征，替代傳統(tǒng)逐像素稠密高斯方法，10秒視頻重建僅需10秒。生成模塊WorldGen經(jīng)兩階段訓(xùn)練（全雙向時序注意力預(yù)訓(xùn)練加因果微調(diào)與蒸餾加速），僅需4步去噪、0.19秒生成一幀，支持最長1分鐘視頻，可模擬罕見動物闖入、極端天氣等長尾場景。

在Waymo數(shù)據(jù)集上重建精度PSNR達(dá)28.48，超越此前最佳方法；nuScenes上生成質(zhì)量FVD達(dá)64.97，單視角生成速度較同類自回歸方法快約5.6倍。

落地方面，已交付超過10萬clips高質(zhì)量合成數(shù)據(jù)用于感知模型訓(xùn)練；仿真測試可在系統(tǒng)中復(fù)現(xiàn)真實事故進行定向優(yōu)化；輔助駕駛學(xué)堂已上線全車型實景模擬功能，可動態(tài)生成第一人稱駕駛教學(xué)視頻。

行業(yè)趨勢上，如果說2025年的技術(shù)熱詞是“端到端”，2026年的焦點就是“世界模型”。傳統(tǒng)端到端模型通過感知輸入直出軌跡，實現(xiàn)“直覺”式反應(yīng)，但世界模型能理解物理規(guī)律和因果關(guān)系，預(yù)測未來狀態(tài)變化。

英偉達(dá)副總裁吳新宙在2026北京車展上表示，世界模型是自動駕駛最本質(zhì)的一環(huán)，會與VLA（視覺語言行動模型）在高階輔助駕駛階段深度融合。清華大學(xué)鄧志東教授也指出，未來智駕系統(tǒng)將是“世界模型為底、VLA為表”的融合架構(gòu)。

不過，世界模型并非沒有瓶頸。技術(shù)路線上，行業(yè)仍分為VLA與世界模型兩大陣營，2026年3月英偉達(dá)GTC大會上分歧已公開激化。

算力架構(gòu)上，世界模型的核心是DiT架構(gòu)，而市面上幾乎沒有為DiT量身定制的芯片，傳統(tǒng)TOPS算力指標(biāo)正在失效。

量產(chǎn)上，世界模型加擴散動作專家路線目前還沒有量產(chǎn)上車的案例，商業(yè)化落地時間可能比預(yù)期更長。

從公開投訴信息來看，小米SU7智駕系統(tǒng)在實際使用中的可靠性仍有提升空間。車質(zhì)網(wǎng)、中國投訴平臺等多起投訴顯示，AEB自動緊急制動系統(tǒng)無故觸發(fā)且無預(yù)警驟停、輔助駕駛限速識別錯亂并超速行駛、高速NOA狀態(tài)下無故緊急變道避險等問題均有車主反映。

2025年9月，小米因部分車輛L2高速領(lǐng)航輔助駕駛功能在極端特殊場景下識別、預(yù)警或處置不足存在安全隱患，召回約11.7萬輛SU7，通過OTA升級解決。2025年1月，湖北高速還發(fā)生一起端到端智駕模式下AEB未及時介入致追尾事故的案例。這些事故和安全事件反映出，世界模型能否切實改善實際道路上的安全性，仍需后續(xù)實車驗證。

總體而言，小米的一體化框架為世界模型技術(shù)路徑提供了新的參考樣本，三項SOTA指標(biāo)和三項業(yè)務(wù)落地在行業(yè)內(nèi)具有一定示范性。但行業(yè)共識正在形成：物理世界的基座模型是趨勢，融合架構(gòu)才是終局，單點技術(shù)突破仍需經(jīng)得起時間檢驗和實際道路考驗。