Xiaomi Auto World Model - 小米推出的辅助驾驶世界模型

Xiaomi Auto World Model是什么

在自动驾驶技术快速迭代的今天，如何让机器更精准地“理解”并“预测”这个三维世界，是行业的核心挑战。小米汽车最近推出的Xiaomi Auto World Model，就给出了一套颇具新意的解法。它本质上是一个辅助驾驶世界模型，但技术路径上做了一次深度整合——首次将三维重建（WorldRec）与视频生成（WorldGen）两大模块进行了深度耦合。

简单来说，WorldRec负责快速、准确地“复盘”过去几秒内车辆周围发生了什么，构建出一个稳定的三维场景理解；而WorldGen则基于这个理解，去“推演”未来可能发生什么，或者补全那些被遮挡、未被观测到的区域。这种“重建”与“生成”的闭环协作，让整个系统既有几何上的确定性，又具备了时空上的想象力。

从性能上看，这套模型表现相当亮眼。在Waymo数据集上的重建精度（PSNR 28.48）和nuScenes数据集上的生成质量（FVD 64.97）都达到了业界领先水平。更重要的是，它已经走出了实验室，在合成数据生成、仿真测试和辅助驾驶学堂这三大业务场景中实现了落地应用。

Xiaomi Auto World Model的主要功能

这套模型的功能设计，紧密围绕“理解”与“创造”两个核心展开，具体可以拆解为以下几个关键部分：

• WorldRec 三维重建模块
  ：它的核心创新在于放弃了传统依赖稠密高斯分布的建模方式，转而采用了一套稀疏的3D查询锚点系统。每个锚点会主动聚合来自多个摄像头、多个时间点的特征信息，并通过可见性加权来融合最可靠的观测数据。这种设计从源头上就避免了多视角图像间的冲突和“鬼影”问题，实现了惊人的效率——10秒的视频流，仅需10秒就能完成高质量三维重建。

• WorldGen 视频生成模块
  ：生成部分采用了“两步走”的训练策略。先通过全双向时序注意力进行预训练，让模型建立对驾驶场景的全局时空理解；再进行因果注意力微调，使其适应自回归生成任务。最关键的是，通过ODE（常微分方程）蒸馏技术，成功将生成每帧图像所需的去噪步数从50步压缩到了仅需4步，从而将单帧生成时间缩短到0.19秒，并能连续生成最长81帧（约1分钟）的未来场景、未知视角或遮挡内容。

• 重建-生成深度耦合
  ：这是整个模型的灵魂所在。重建模块为生成过程提供了坚实的3D几何先验，就像一个“地基”，确保了生成的稳定性，防止画面“跑偏”；而生成模块则像“拓荒者”，能够将重建的边界扩展到那些车辆传感器未曾观测到的时空区域。两者在训练过程中互相校正，有效抑制了长时序预测中容易出现的累积漂移误差。

• 极端场景生成
  ：现实驾驶中，暴雨、暴雪、浓雾等极端天气，或者动物突然闯入等长尾危险场景，恰恰是系统最需要训练却又最难获取数据的部分。该模型能够高质量地合成这些稀缺场景，为感知模型的鲁棒性训练提供了宝贵的“数据弹药”。

• 三大业务落地
  ：技术最终要服务于业务。目前，该模型已在三个方向形成闭环：一是合成数据生成，已交付超过10万个数据片段；二是用于闭环仿真测试，可以精准复现真实事故场景进行定向算法优化；三是集成到车机系统，作为“辅助驾驶学堂”的一部分，动态生成第一人称的教学视频，帮助用户理解复杂路况下的正确操作。

Xiaomi Auto World Model的技术原理

光看功能可能还不够，我们再来深入一层，看看这些功能背后有哪些关键的技术原理在支撑。

• WorldRec 稀疏锚点表征
  ：传统方法往往对每个像素点进行高斯属性预测，计算量大且容易不一致。小米的方案是，在三维空间中布置一系列稀疏的、可学习的查询点（锚点）。每个锚点不再被动接收信息，而是主动去“询问”所有摄像头在不同时刻看到了什么，然后根据这些观测的可靠程度（可见性加权）进行融合。这相当于建立了一个高效、一致的跨视角沟通机制。

• 4D Gaussian 全局表示
  ：模型会维护一个随着车辆行驶、观测数据不断增量更新的4D（空间三维+时间一维）高斯场景表示。这个动态的“世界地图”在投影到当前车辆视角后，就成为了生成模型的确定性输入。它为“天马行空”的生成过程套上了一个符合物理几何规律的“缰绳”。

• WorldGen 两阶段训练
  ：生成模型的训练颇有章法。第一阶段是“通识教育”，利用全双向注意力让模型博览各种驾驶场景，建立宏观认知。第二阶段是“专项训练”，转为因果注意力并采用教师强制策略，让模型学会一步步地预测未来。而ODE蒸馏技术则是“加速神器”，它在保持生成质量的同时，将推理速度提升了12倍，并巧妙地解决了自回归训练中常见的“暴露偏差”问题。

• 重建-生成闭环约束
  ：两个模块并非独立工作，而是在损失函数层面就进行了结构化的相互约束。重建的确定性目标不断“纠正”生成可能出现的几何失真，而生成的目标又鼓励重建表示能更好地支持预测任务。这种你中有我、我中有你的设计，是实现高稳定性、一致性和真实性的关键。

如何使用Xiaomi Auto World Model

对于终端用户而言，接触这个强大模型的门槛其实很低。目前，它已经作为一项核心功能，集成到了小米汽车SU7等车型的智能座舱系统中。

• 上线平台
  ：具体路径是在车载系统内找到「辅助驾驶学堂」模块，其中的「实景模拟场景」功能便是由Xiaomi Auto World Model驱动的。

• 使用条件
  ：用户需要拥有一台搭载了该功能的小米汽车。在车辆静止或安全状态下，进入相应模块，即可体验由模型动态生成的、针对各种复杂路况的驾驶教学模拟视频。

Xiaomi Auto World Model的核心优势

在竞争激烈的自动驾驶世界模型赛道中，小米的这套方案之所以引人注目，源于其在几个维度上建立的综合优势。

• SOTA 性能
  ：数据最能说明问题。在权威的Waymo重建任务中，其PSNR达到28.48，比之前的优秀方法（如DGGT）高出约1个点；在nuScenes数据集上的零样本泛化测试中，PSNR 26.54同样领先。生成质量方面，Fréchet Video Distance (FVD) 分数低至64.97，超越了所有已知的双向与自回归基线模型。

• 极速推理
  ：效率是落地的前提。其单视角生成速度达到0.19秒/帧，三视角也仅需0.46秒/帧。相比之下，同类自回归方法如Epona需要1.06秒/帧，小米的方案快了5.6倍，为实时交互应用提供了可能。

• 超长时序
  ：很多模型在生成长序列视频时会出现质量崩塌或严重漂移。该模型支持连续生成81帧（在10Hz或30Hz下，最长约1分钟），这远远超过了目前多数公开基线模型8-16帧的限制，展现了出色的时序一致性保持能力。

• 零样本泛化
  ：在未经过专门训练的nuScenes数据集上依然表现优异，这证明了其底层表征具有较强的泛化能力，能够较好地适应新的城市环境和驾驶场景，降低了针对不同地区重复训练的成本。

• 已落地生产
  ：技术优势最终转化为了商业价值。它没有停留在论文阶段，而是已经深度融入小米汽车的合成数据生产线、仿真测试流程和智能座舱产品中，形成了完整的业务闭环，这是其区别于很多研究型项目最显著的一点。

Xiaomi Auto World Model的项目地址

对于希望深入了解技术细节的研究人员和开发者，小米也开放了相关的技术资源。

• 项目官网
  ：https://JointWM.github.io/

• arXiv技术论文
  ：https://arxiv.org/pdf/2605.18137

Xiaomi Auto World Model的同类竞品对比

要看清一个技术的定位，最好的方式就是对比。我们将其与行业另一巨头Waymo在2026年初发布的世界模型进行一番横向比较。

通过对比不难发现，两者代表了不同的技术哲学：Waymo模型依托其强大的通用生成基础（Genie 3），强调多模态生成和场景控制的灵活性；而小米模型则更专注于驾驶领域，通过重建与生成的深度耦合，在推理速度、量化精度和现有业务集成度上展现了优势。

Xiaomi Auto World Model的应用场景

一项技术的价值，最终体现在它能解决什么问题。Xiaomi Auto World Model目前主要聚焦于三个核心应用场景，它们共同构成了自动驾驶研发与用户体验提升的闭环。

• 合成数据生成
  ：这是当前最直接、最迫切的需求。真实世界中，极端天气、严重事故等高风险、长尾场景的数据极其稀缺。该模型能够按需生成高质量、高多样性的合成数据，为感知、预测等模型的训练“查漏补缺”，大幅提升系统在 corner case 下的表现。

• 仿真测试
  ：在虚拟环境中进行海量、极限测试是加速自动驾驶系统成熟的必由之路。该模型可以高保真地复现真实发生过的交通事故场景，让算法在闭环仿真中不断进行定向优化和验证，从而以极低的成本和零风险的方式，提升测试的效率和覆盖度。

• 辅助驾驶学堂
  ：这是面向终端用户的创新应用。在智能座舱内，系统可以基于车辆即将或正在面临的复杂路况（如复杂环岛、施工区域），动态生成第一人称视角的驾驶教学视频，直观地向用户展示系统的能力边界和正确的接管方式，从而提升人机共驾的安全性与用户信心。