小米XLA和行业主流的VLA技术是什么关系？

VLA和世界模型两大技术路线，小米似乎选择了前者？

小米XLA新增了什么功能？

2000+字解密小米辅助驾驶最新进展，你想知道的都在这篇。

辅助驾驶，究竟如何才能抵达自动驾驶的终局？

伴随着新一代SU7上市，其搭载的Xiaomi HAD小米辅助驾驶软硬件同步升级，给出了一条来自小米汽车的解题新思路。

硬件不分高低配，新一代SU7全系「满配」高规格辅助驾驶硬件：700TOPS算力 Thor 芯片，激光雷达、4D 毫米波雷达、11 个高清摄像头以及 12 个超声波雷达，标准版的配置就堪比行业Max，甚至Ultra版，为辅助驾驶体验提供坚实的基础。

软件升级新架构，新一代SU7全系升级小米XLA认知大模型：具备更多模态、更高效、更可控三大特点，通过让系统开始具备理解世界的能力，从而持续扩展系统的能力边界，标志着小米辅助驾驶正式从「数据驱动」迈入「认知驱动」的新范式。

一句话概括：小米汽车认为，辅助驾驶技术迭代的关键就是让机器具备「认知」。

01 为什么要升级到「认知驱动」？

相信用过辅助驾驶的朋友可能都有一种微妙的感受：即便「端到端」系统在很多常见路况下都表现得挺不错了，但跟人类老司机相比，机器开车的整体体验还是差一截火候。我们认为，老司机和机器的核心区别就在于「是否具备对真实世界的认知」。

传统的端到端技术高度依赖模仿学习，通过输入海量视频Clips让机器模仿人类的开车行为，这也就是所谓的「数据驱动」。「数据驱动」类似「背诵题库」，学习过的场景系统就能快速掌握，但遇到陌生场景就很难「举一反三」。

而真实路况复杂多变，施工改道、临停占道、行人横穿……每天都有无数个“系统从未见过的”长尾场景在发生。我们无法穷尽物理世界的所有情况来让系统充分学习，因此传统的端到端也注定无法解决所有问题。

辅助驾驶要想继续进步，就必须跨越「死记硬背」的阶段，学会像人类一样认知世界，并基于认知做出思考与推理。

02 如何让辅助驾驶具备「认知」能力？

在回答这个问题之前，先来聊聊时下最热门的具身机器人。

前不久，我们发布了一段小米机器人在汽车工厂「实习」的视频。视频中，机器人代替工人，连续从自动送钉设备中精准抓取自攻螺母，并准确放置在定位工装上。这种高精度的物理交互，体现的正是机器的「认知与空间推理能力」。

我们很早就察觉到了这一点，并把「室内机器人精细操作」和「室外辅助驾驶任务」进行混合训练，得到了一个统一的物理AI基座模型——Xiaomi Mimo-Embodied 具身基座大模型。这种创新性的训练方式产生了强大的跨域协同效应，大幅提升模型整体的空间感知与逻辑推理能力。

实验数据证明，在涵盖辅助驾驶与具身机器人感知、决策、规划等 29 项核心基准测试中，Xiaomi MiMo-Embodied 取得了领先的成绩，打造了开源具身基座模型的新标杆。

基于这一基座模型，小米辅助驾驶升级了全新的车端架构：Xiaomi XLA认知大模型。

03 为什么是XLA，而不是VLA？

人类驾驶，实际上是一个多模态感知与复杂推理的过程。除了视觉，我们还会依靠听觉去捕捉环境音，依靠身体的体感去感知加减速的惯性，更会调动大脑中海量的记忆与经验。

参考这一理念，我们将行业主流的VLA技术扩展成为了XLA架构。

X代表着原生支持多模态的数据输入。XLA架构可以将激光雷达的精准测距、视觉的丰富语义、导航的全局视野、声音的动态反馈、乃至机器人物理AI交互数据进行有机融合。

借助多模态输入能力，在新一代SU7上，现在动动嘴就能用语音指令控制辅助驾驶的行车、泊车功能。可以说 “小爱同学，向左变道”来切换车道，也可以说 “小爱同学，离前车远点” ，不用抬手、不用分心，大幅提升了辅助驾驶的操作便利性。

从某种意义上说，Xiaomi XLA 让新一代SU7具备更丰富的感官输入和更广阔的全局知识，从而更全面地感知复杂的交通环境，更深刻地理解真实的物理世界。

04 为什么XLA不显示CoT思维链？

如果说「X」赋予了车辆更全面的认知，那么 Xiaomi XLA 的「L」 语言，则是开启深度逻辑推理的那把钥匙。

传统 VLA 模型在处理 CoT思维链时面临着一个两难的困境：要么输出大段自然语言文本，严重拖延系统的反应时间；要么干脆去掉语言，无法进行复杂的逻辑推演。

但显然，高效和推理都是下一阶段辅助驾驶必须的能力。为了打破这个瓶颈，我们在 Xiaomi XLA 中引入了突破性的潜空间推理（Latent CoT）模式，兼顾了系统低时延和推理能力。简单来说，系统不再需要把思考过程翻译成人类语言，而是在潜空间中直接使用高维机器语言进行推演，从而极大提升了思考速度。

但不显示人类语言，不代表不能了解模型的思考过程。为了避免「端到端」时代的黑盒问题，Xiaomi XLA依然保留了整个推理过程的可解释性与可追溯性。在需要分析模型思考过程的时候，我们可以把「潜空间推理」解码成人类能看懂的语言。这也是我们平时复盘路测常用的方法，借助这一方法，研发工程师可以清晰了解系统的决策路径，及时发现问题并进行有效修正。

05 小米还会使用世界模型吗？

去年 11 月，我们在发布 Xiaomi HAD 增强版时曾向大家深入介绍过「强化学习+世界模型」这套机制。当时行业里有很多探讨：未来的辅助驾驶，到底应该选 VLA 路线，还是选世界模型路线？

针对这一问题，我们始终认为，VLA技术与世界模型技术并非非此即彼，而是可以相辅相成。

在Xiaomi XLA架构中，我们也无缝接入了「强化学习+世界模型」技术。世界模型就像是一个高保真的模拟器，它负责在虚拟世界中源源不断地生成海量、复杂的驾驶场景；再结合强化学习，在这个模拟器中进行无数试错与策略优化，走错了就扣分，对了就加分，在奖励机制下不断尝试，寻找最好的开车思路，从而让算法实现更高的上限。

借助这套闭环训练机制，我们让系统拥有了持续进化的能力，真正做到越开越稳、越开越像老司机。

06 结语

通过向机器注入「认知」能力，Xiaomi XLA持续扩展能力边界，小米辅助驾驶由此开启了一个全新的发展阶段。

如今新一代SU7交付即搭载Xiaomi XLA认知大模型，并且在第一个版本就实现了例如「语音控车」、「商场地库车位级领航」等行业新功能。后续我们将持续迭代体验，同时也会陆续为第一代SU7 Pro/Max、SU7 Ultra、YU7全系提供OTA升级，敬请期待。

最后，我们也再次呼吁，辅助驾驶不是自动驾驶，驾驶仍需保持专注，始终确保在紧急必要时控制车辆。小米汽车也将不断和大家分享辅助驾驶的使用经验与技巧。