华为、理想、小鹏、小米，拆完七篇论文：「世界模型与VLA」到底争的什么？

文 | HiEV大蒜粒车研所，作者 |本一，编辑 |德新

世界模型、VLA、原生多模态......这三个词过去一年在新车和智驾的发布会上都经常听到。中文舆论场分出了几个阵营：华为、蔚来是世界模型派，小鹏、理想是 VLA 派。

但今年 CVPR 2026 上，有一篇来自中国车企的口头报告（Oral）论文，研究的正是世界模型。它的第一段却先承认：尽管学界至今没有就世界模型形成统一、明确的定义，预测物理环境演化的能力被一致视为其核心能力。

这篇论文来自理想。做这件事最前沿的人，还没给它划出清楚的边界，而舆论场却早就替他们划好了界限。

简单地把这种现象归因于「命名混乱」可能有点草率，准确地说，这些技术之间的边界，本来就没有舆论叙事那样分得那么清楚。

图片来源：理想汽车 SparseWorld-TC: Trajectory-Conditioned Sparse Occupancy World Model

一、一家讲 VLA 的公司，内部两支团队在做世界模型

小鹏的情况更有意思。它对外统一讲 VLA，但 2026 年上半年在 arXiv 上发布的五份技术报告，署名来自预测式世界模型（PWM）、生成式世界模型（GWM）、人工智能基础设施（AI INFRA）和基座模型（Foundation Model）四支团队。X-Foresight 的致谢还提到，生成式世界模型团队在 X-World 上的工作，是其扩散渲染器预训练的基础。

图片来源：小鹏 X-Foresight: A Joint Vision-Action Causal Forecasting Network via Predictive World Modeling

一家对外讲 VLA 的公司，内部同时有两支团队在做世界模型。

「原生多模态」原本被用来终结命名混乱，现在它自己也分出了两条路径。

理想把语言词元（Language Token）和动作词元（Action Token）统一到一个离散码本，从一开始就不区分两者；小鹏则设计了原生多模态分词器（tokenizer），在信息进入模型的早期就整合了不同模态。

同一个中文名字，背后却是两套不同的处理方法。

二、论文里互相点名，争的却不是路线

如果我们把几家公司 2026 年发表的论文放在一起，就会发现学术/技术路线的交锋，比发布会上能看到的要热闹得多。

小米汽车和华中科技大学合作的 DriveLaW，在引言中直接点到 Epona 和 DriveVLA-W0，认为这类方法把生成与规划拆开训练，在视觉想象和动作选择之间留下了 gap。

DriveVLA-W0 的署名单位，正是从华为车 BU 独立出来的引望公司。

引望与中科院自动化所合作的 DynVLA，则批评视觉思维链会因像素级生成带来大量冗余和算力开销，因此选择用「动力学思维链」表示未来。

而视觉思维链，恰恰是小鹏 X-Mind 的核心主张。

小鹏也没有客气。X-Mind 认为，把世界模型串在策略模型之前，「会带来难以接受的车端时延」；把未来图像重建挂在网络末端做辅助监督，「监督信号很难有效反向传播到语言模型骨干的深层，模型容易学到捷径而非真正的物理推理」。

后一种训练思路，与华为提出的 DriveVLA-W0 用未来图像预测提供密集监督的训练范式高度相似。

理想的 SparseWorld-TC 则明确绕开了 VAE 离散词元和 BEV 中间表征，认为 BEV 的显式几何约束，会限制时空特征的灵活交互。小鹏 X-Mind 用来预演未来的「抽象草图」，底层却正是 BEV。

图片来源：理想汽车 SparseWorld-TC: Trajectory-Conditioned Sparse Occupancy World Model

这么一看，这四家公司批评的，都是对方「具体怎么做」，谁都没有真正否定「预测未来」这件事，也就是没有一家说对方走错了路。X-Mind 甚至直言，把预测式世界模型整合进自动驾驶，已经成为行业共识。

图片来源：小鹏 X-Mind: Efficient Visual Chain-of-Thought via Predictive World Model for End-to-End Driving

所以，「VLA 还是世界模型？」可能大家疑问的点就是错的。

端到端之后智能驾驶下一轮竞争，并不是一个非 A 即 B 的二元对立问题。

三、真正的分歧：预演未来，要多少细节？

人开车的时候，也会脑子里先「想」一遍。

看到右前方一辆车压线，我们会快速判断：它要是并过来，我该减速还是避让？只是人不会在脑子里把这些想象的画面渲染成一段 4K 视频。那个念头通常只有车的轮廓、彼此的相对位置和可能发生的动作。

让机器像人一样开车，需要做相似的事情。只不过人和机器最大的区别在于：这个生成的「念头」该保留多少细节。

小鹏押注的是「高度抽象」。

X-Foresight 的技术报告认为，「世界表征应保持高度抽象；隐空间中过多的视觉细节会稀释模型的结构化世界理解能力。」X-Mind 进一步把未来 12 帧压缩成 96 个词元，表达 BEV 布局、导航意图和交通规则；逼真的画面交给另一个模块渲染，不直接参与推理。

图片来源：小鹏 X-Foresight，X-Mind 技术报告

小米选择的是相反的方向。在那篇关于「DriveLaW」的论文里，作者认为现有做法「没有把生成器的内部隐变量当作规划状态，在视觉想象与动作选择之间留下了鸿沟」，所以 DriveLaW 主张「视频生成器从海量驾驶视频里学到的内部表征本身就有价值，规划器应该直接使用这些表征，避免生成与规划彼此脱节。」

图片来源：小米 DriveLaW: Unifying Planning and Video Generation in a Latent Driving World

理想走在两者之间。理想基座模型负责人詹锟在 GTC 2026 上做的主题演讲里解释得很清楚：「如果直接生成未来真实的图像，计算成本会非常高，因此我们选择在 latent space 中进行预测。」理想管这个能力叫「多模态思考」，也就是说模型在隐空间里想象未来，而不是把真实图像画出来。华为的 DynVLA 压缩得更狠，用一个专门的分词器（Tokenizer）把未来演化压进一小组离散词元（token），并且把自车动力学和环境动力学拆成两份，分别建模。

图片来源：华为 DynVLA: Learning World Dynamics for Action Reasoning in Autonomous Driving

在「预测未来」这件事情上，四家公司给出了四个答案。

这种技术路径上的分歧，可能要比「VLA 还是世界模型」的二元论更能让大家看清楚头部公司在下一代智能驾驶技术架构上到底应用了怎样的理论底座。

还有一个暂且并没有结论的对照：小鹏用 BEV 作为抽象世界的底板，理想却认为 BEV 是一种限制。它究竟是有效的几何先验，还是妨碍模型学习的结构约束，可能还要等更多量产结果来回答。

四、路线尚未分出胜负，先被同一个问题绊倒

不少用户在开启智能驾驶系统以后都遇到过一类问题：会开车，却走错了路。

2026 年 4 月，复旦大学联合清华 AIR、中科院自动化所和滴滴做过一组实验：删除端到端模型收到的正确导航信息，甚至换成随机的转向指令，综合规划成绩几乎没有下降，有时还略有提高。

图片来源：Unveiling the Surprising Efficacy of Navigation Understanding in End-to-End Autonomous Driving

至少在被测模型里，导航虽然接进去了，却没有真正影响规划。模型更多依赖眼前的道路结构、摄像头画面和训练数据里的常见驾驶模式。

原因并不复杂。端到端模型拿到的，往往只是「左转、直行、右转」这类离散指令。人类司机知道几百米后要右转，会提前向右选道；模型此刻收到的指令却仍可能是「直行」。训练时，它看见人类正在变道，却未必知道这是为了超车，还是为了后面的右转。

导航和驾驶动作之间的因果关系，断了。

这个问题在很多媒体的实测中能经常看到。

有媒体在天津测试地平线 HSD 时，遇到一个需要先直行通过路口、再进入中央左转带的复杂路口。HSD 1.6 有概率误入掉头车道并偏航；V2.0 在暴雨条件下两次复现都走对了。

另一家媒体在测试搭载 Momenta 方案的智己 LS8，数百公里只有 3 次人工干预，其中两次却都发生在主辅路切换时：系统没找准路口，开错了路。

我们大蒜粒的同事在试驾元戎启行的 VLA 版本时，也遇到车辆先向左变道，发现路线不对后又连续跨越两条实线变回来的情况。此前试驾理想 VLA 时，团队也记录过相似问题。

论文里，各家争的是「如何预测世界」这样非常细节性的技术问题。但是量产智驾产品的实测里，这些系统相继被同一个导航难题绊倒了。

但是在绝大多数公司对外讲述的技术架构故事里，这个问题几乎没有被正面讨论过。

五、模型之外，还有两道更难解的题

第一道题是，大模型 LLM 能不能在车上高效运行。

蔚来智能驾驶负责人任少卿给出的判断是：同等计算量下，Transformer 对内存带宽的需求是 CNN 的 8 到 70 倍，关键差异不只在算力，更在内存带宽。蔚来神玑 NX9031 单颗带宽超过 500 GB/s。

理想则在马赫 M100 芯片论文中强调，软硬件协同要解决的不只是计算，更关键的是数据如何在时间和空间中搬运。M100 的峰值带宽为 273 GB/s，并通过数据流架构大幅减少对多级缓存的依赖。

图片来源：理想汽车

这两个数字不能简单用来判断芯片强弱，但却能说明同一个问题：当大模型上车，竞争已经从「能算多少」，转向「能不能把数据及时送到该去的地方」。

地平线交出的则是另一份答卷。它在 CVPR 2026 入选的 11 篇论文中，4 篇研究三维重建、3 篇研究机器人具身、2 篇研究感知，另有 1 篇端到端规划和 1 篇参与世界模型评估；直接和构建世界模型或 VLA 相关的论文都是 0 篇。

唯一一篇端到端规划论文 ResAD，也没有让模型从头预测轨迹，而是先用恒速模型算出一条惯性参考轨迹，再让模型学习相对它的偏差。别家在往大模型里装更多能力，地平线把能用物理公式解决的部分交还给物理公式。

这跟地平线副总裁兼首席架构师苏箐去年底在一次公开演讲中说得一致：「我个人的判断，很大的概率是未来三年，是在现有系统上做极致的优化，而不是一种理论内核的重构。所以大家别太嗨，又进入苦日子的阶段了。」

他究竟是清醒还是保守，现在还不能下结论。但至少，地平线做了一个与行业热词保持距离的技术选择。

第二道题是，能力能不能被外界验证。

世界模型在各家的叙事里承担着一个关键角色：闭环仿真环境，在线强化学习的引擎。詹锟在 GTC 上讲得很直接，「World Simulator 的能力实际上直接决定了强化学习的上限。」

那这个上限现在有多高？

今年 CVPR 的另一篇 Oral，WorldLens，是一个专门评估驾驶世界模型的基准。它测出来的数字是：在闭环仿真里，让一个预训练规划器在生成的「世界」中开车，路线完成率最高 13.51%，最低 6.89%。这里的路线完成率，指的是在因碰撞、驶出路面或超时而终止之前，预设路线被完成了多少。同一批模型的开环表现是 71% 到 79%，进闭环之后掉到 4.8% 到 10.6%。

论文的原话是「所有方法在闭环条件下都崩了」。

图片来源：CVPR 2026 论文 WorldLens: Full-Spectrum Evaluations of Driving World Models in Real World

但这里要声明一下，WorldLens 测的全是开源学术模型，不含任何一家的生产级模型。这个结果不能推论到任何一家车企的量产模型上。

但这里有个问题依然值得问一问：世界模型被各家公司形容为闭环仿真和强化学习的重要基础，但这次检索却没有看到哪家量产模型提交过公开、可横向比较的闭环评测。外界看到的，仍然主要是各家公司自己的数据集和指标。

根据大蒜粒找到的公开论文和研究成果，理想、小米、华为和地平线使用过 nuScenes、NAVSIM 等公开基准；小鹏、蔚来、Momenta、卓驭和元戎披露的核心结果，则主要来自自建数据集或没有可横向比较的公开指标。小米甚至专门注明，其成绩没有使用强化学习后训练和打分器后处理。

所以从理论结合实际的角度来看，这些基准测试的结果并不能说明谁的量产能力更强。当各家使用不同的考卷和评分方式时，外界其实很难判断发布会上的领先幅度究竟有多大。

这种落差也出现在 Momenta 身上。

在中文语境的传播里，Momenta 常被称为「物理 AI 第一股」。但在它提交给港交所的 IPO 文件中，Physical AI没有出现，world model 只出现一次，对应的还是「正在开发」的 R7。面向市场的身份标签，到了面向投资者的法律文件里，最后只变成了一个在研项目。

六、下一道题的解法，可能根本不在算法里

有媒体在德国测试小鹏 VLA 2.0 时，遇到了一辆拖着小拖车的自行车。但是测试车全程只能跟在后面，没有超车意图。德国道路交通条例要求，机动车在市区超越骑行者时，横向安全距离不得小于 1.5 米。

国内长期形成的认知是：路况越乱、动态博弈越复杂，模型性能就越强，所以能开广州就能开慕尼黑。慕尼黑的动态博弈没有广州复杂，合规却是另一种难度。模型不只要「会开」，还要准确理解当地法规，并把规则落实到每一次动作里。

按照现有规划，欧盟城区高阶辅助驾驶法规 UN R171 Series 02 预计在 2026 年底生效。小鹏希望成为首批获批者之一。

过去一年，行业里的公司花了大量精力争论自己走的是哪条路线。

各家论文里找到的答案是：大方向正在靠拢，差异藏在未来表征、车端效率和训练方法里。实测的结果又是，导航、公开评测和本地合规这些更具体的问题，还远没有解决。

VLA，世界模型，原生多模态......名字可以继续变。最终决定胜负的，是车能不能把路走对。

参考资料

本文技术判断主要基于以下公开论文与材料。所有论文均可在 arXiv 检索原文。

理想汽车

SparseWorld-TC: Trajectory-Conditioned Sparse Occupancy World Model

CVPR 2026（Oral）｜arXiv:2511.22039

https://arxiv.org/abs/2511.22039

M100: An Orchestrated Dataflow Architecture Powering General AI Computing

arXiv:2604.17862

https://arxiv.org/abs/2604.17862

詹锟《MindVLA-o1：开启全能范式》，NVIDIA GTC 2026 主题演讲，2026-03-17

小鹏汽车

X-Foresight: A Joint Vision-Action Causal Forecasting Network via Predictive World Modeling

arXiv:2605.24892

https://arxiv.org/abs/2605.24892

X-Mind: Efficient Visual Chain-of-Thought via Predictive World Model for End-to-End Driving

arXiv:2606.28758

https://arxiv.org/abs/2606.28758

小米汽车

DriveLaW: Unifying Planning and Video Generation in a Latent Driving World

CVPR 2026｜arXiv:2512.23421

https://arxiv.org/abs/2512.23421

华为（署名为引望智能、诺亚方舟实验室等）

DriveVLA-W0: World Models Amplify Data Scaling Law in Autonomous Driving

ICLR 2026｜arXiv:2510.12796

https://arxiv.org/abs/2510.12796

DynVLA: Learning World Dynamics for Action Reasoning in Autonomous Driving

ICML 2026｜arXiv:2603.11041

https://arxiv.org/abs/2603.11041

地平线

ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving

arXiv:2510.08562

https://arxiv.org/abs/2510.08562

地平线 CVPR 2026 入选论文汇总（11 篇方向分布来源）

https://www.horizon.auto/news/technology/439

评测基准与第三方研究

WorldLens: Full-Spectrum Evaluations of Driving World Models in Real World

CVPR 2026（Oral）｜arXiv:2512.10958

https://arxiv.org/abs/2512.10958

Unveiling the Surprising Efficacy of Navigation Understanding in End-to-End Autonomous Driving

复旦大学、清华大学 AIR、中科院自动化所、滴滴｜arXiv:2604.12208

https://arxiv.org/abs/2604.12208

Epona: Autoregressive Diffusion World Model for Autonomous Driving

arXiv:2506.24113

https://arxiv.org/abs/2506.24113

（文中作为小米论文点名批评的对象出现）

其他公开材料

Momenta Global Limited 全球发售文件，香港联合交易所，股票代码 6880

蔚来任少卿公开访谈（内存带宽相关表述）

德国道路交通条例（StVO）第 5 条第 4 款；UN R171 Series 02