Xiaomi Auto World Model是什么
Xiaomi Auto World Model 是小米汽车推出的辅助驾驶世界模型，首次将三维重建（WorldRec）与视频生成（WorldGen）深度耦合。WorldRec 用稀疏 3D 锚点实现 10 秒视频 10 秒快速重建，WorldGen 通过两阶段训练与 ODE 蒸馏实现 4 步去噪、0.19 秒/帧生成，支持最长 1 分钟视频。在 Waymo 重建精度（PSNR 28.48）与 nuScenes 生成质量（FVD 64.97）上均达 SOTA，已落地合成数据、仿真测试、辅助驾驶学堂三大业务场景。
Xiaomi Auto World Model的主要功能
- WorldRec 三维重建模块：采用稀疏 3D 查询锚点替代传统稠密高斯，实现多视角多时刻特征聚合与可见性加权融合，10 秒视频重建仅需 10 秒，消除多视角冲突与鬼影问题。
- WorldGen 视频生成模块：基于全双向时序注意力预训练+因果微调两阶段训练，通过 ODE 蒸馏将去噪步数从 50 步压缩至 4 步，0.19 秒/帧生成未来帧、未观测视角与遮挡区内容，支持最长 81 帧（约 1 分钟）连续生成。
- 重建-生成深度耦合：重建侧提供 3D 几何先验约束生成稳定性，生成侧扩展重建边界至未观测时空区域，两者互相校正抑制长时序漂移。
- 极端场景生成：支持暴雨、大雪、浓雾等极端天气及动物闯入等长尾危险场景的高质量合成，为感知模型训练提供稀缺数据。
- 三大业务落地：合成数据生成（已交付 10 万+ clips）、闭环仿真测试（复现真实事故定向优化）、辅助驾驶学堂（动态生成第一人称驾驶教学视频）。
Xiaomi Auto World Model的技术原理
- WorldRec 稀疏锚点表征：摒弃逐像素预测高斯范式，改用稀疏三维查询点作为场景表征，每个锚点主动聚合多相机多时刻特征，通过可见性加权自动筛选可靠观测，从源头保证跨视角一致性。
- 4D Gaussian 全局表示：维护随观测增量扩展的 4D 高斯场景表示，投影到自车视角后作为渲染先验输入生成模型，为生成提供确定性几何约束。
- WorldGen 两阶段训练：第一阶段全双向时序注意力预训练建立驾驶场景时空全局理解；第二阶段因果注意力微调+教师强制（Teacher Forcing），配合 ODE 蒸馏提速 12 倍，分布匹配蒸馏解决暴露偏差。
- 重建-生成闭环约束：重建的确定性几何先验持续校正生成过程，生成补全重建覆盖不到的时空区域，两者目标函数在结构上互相约束，实现高稳定性、高一致性、高真实性。
如何使用Xiaomi Auto World Model
- 上线平台：已上线小米全车型的「辅助驾驶学堂 – 实景模拟场景」。
- 使用条件：需拥有小米汽车（SU7 等车型），在车载系统中进入辅助驾驶学堂模块。
Xiaomi Auto World Model的核心优势
- SOTA 性能：Waymo 重建 PSNR 28.48（超 DGGT 约 1 个点），nuScenes 零样本泛化 PSNR 26.54 同样领先；生成侧 FVD 64.97 超越所有双向与自回归基线模型。
- 极速推理：单视角生成 0.19 秒/帧，三视角 0.46 秒/帧，较同类自回归方法 Epona（1.06 秒/帧）快 5.6 倍。
- 超长时序：支持 81 帧连续生成（10Hz/30Hz，最长 1 分钟），远超公开基线模型的 8-16 帧限制。
- 零样本泛化：nuScenes 零样本测试仍保持领先，证明对新场景具备强适应能力。
- 已落地生产：已在小米汽车合成数据、仿真测试、智能座舱三大核心场景完成业务闭环。
Xiaomi Auto World Model的项目地址
- 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
| 对比维度 | Xiaomi Auto World Model | Waymo World Model |
|---|---|---|
| 所属公司 | 小米汽车 | Waymo（Alphabet/Google） |
| 发布时间 | 2026年5月 | 2026年2月 |
| 技术路线 | 重建+生成深度耦合一体化架构（WorldRec + WorldGen 互相约束） | 基于 Genie 3 的生成式世界模型（纯生成路线，后训练适配驾驶场景） |
| 重建模块 | WorldRec：稀疏 3D 锚点表征，10秒视频10秒重建，PSNR 28.48（Waymo数据集） | 无独立重建模块，依赖 Genie 3 的预训练世界知识生成全场景 |
| 生成模块 | WorldGen：4步去噪，0.19秒/帧，支持81帧（~1分钟）连续生成 | 基于 Genie 3 生成，支持多传感器输出（相机+LiDAR），可模拟极端场景 |
| 架构特点 | 重建给生成”打地基”（几何约束），生成给重建”扩边界”（补全未观测区域） | 纯生成式，通过语言/动作/场景布局三种控制机制调整模拟 |
| 传感器支持 | 主要面向相机数据（多视角图像输入） | 相机 + LiDAR 多传感器输出，可将普通行车记录仪视频转为多传感器模拟数据 |
| 基准测试 | Waymo PSNR 28.48（超DGGT约1个点）；nuScenes FVD 64.97，FID 7.04 | 未公开具体量化指标，强调可模拟”从未见过”的长尾场景 |
| 生成速度 | 单视角 0.19秒/帧，三视角 0.46秒/帧 | 未公开具体推理速度，强调”可扩展推理”与高效变体 |
| 最大生成时长 | 81帧（10Hz/30Hz，最长约1分钟） | 未明确公开，Genie 3 原生支持数分钟级别一致生成 |
| 极端场景能力 | 暴雨、大雪、浓雾、动物闯入等长尾场景生成 | 龙卷风、洪水、积雪金门大桥、大象/狮子等罕见物体、 reckless driver 等 |
| 业务落地 | 已落地三大场景：合成数据（10万+ clips）、仿真测试、辅助驾驶学堂 | 用于 Waymo Driver 训练与验证，支撑 robotaxi 扩张（2026年目标100万周订单） |
Xiaomi Auto World Model的应用场景
- 合成数据生成：为辅助驾驶感知模型训练提供高质量、高多样性、高危险性的长尾场景合成数据，解决真实世界中稀缺场景样本不足问题。
- 仿真测试：构建闭环仿真环境，复现真实事故场景进行定向优化，提升测试效率与完备性，降低实车测试成本与风险。
- 辅助驾驶学堂：在智能座舱中动态生成第一人称驾驶教学视频，针对复杂路况向用户展示正确操作，提升人机共驾安全性与用户体验。