摘要
针对自动驾驶中思维链（CoT）自回归特性导致的高延迟问题，本文提出 OneVL 框架。该方法利用紧凑的潜在令牌进行推理，并通过语言和视觉世界模型双解码器监督，迫使潜在空间内化道路几何与动态因果关系。训练采用三阶段流程对齐轨迹、语言与视觉目标。推理时仅需单次并行前向传播，在保持仅答案预测速度的同时，准确率超越显式 CoT 方法，实现了高效且可泛化的潜在推理。
AI 推荐理由
论文核心提出单步潜在推理方法，通过视觉 - 语言监督压缩思维链，显著提升推理效率与性能。
研究机构
小米智能汽车有限公司
论文信息