车东西（公众号：chedongxi）
作者 ｜ Janson
编辑 ｜ 志豪

小米在国际计算机视觉顶会ECCV 2026上，一次性拿下了12篇论文！

车东西7月3日消息，据小米技术披露，在国际计算机视觉顶会ECCV 2026上，小米AI团队和小米自动驾驶团队多篇论文被录取。

▲小米12篇论文入选ECCV 2026

录用的这12篇论文中，有5篇都与自动驾驶直接相关，它们分别是CausalDrive、MindDrive、DriveVA、BeyondDrive和DriveFine。

五篇论文看似方向不同：有的研究世界模型，有的研究VLA决策，有的研究在线强化学习，有的研究安全负样本，有的研究轨迹自修正。

但放在一起看，它们其实都在回答同一个问题：自动驾驶如何从“看见道路”，走向“理解世界”？

毕竟，真实驾驶从来不只是识别车道线、车辆和行人。车需要理解前车刹车会带来什么连锁反应，旁车是否会让行，行人是否可能继续横穿。同时，系统也需要知道一个看似接近专家轨迹的动作，为什么可能在两秒后变成危险决策。

上述难题，也正是小米这五篇 ECCV 自动驾驶相关论文试图共同回答的问题。它们让模型不仅能感知环境，还能预测未来、理解交互、优化决策，并在风险出现前完成纠错。

值得一提的是，ECCV与CVPR、ICCV并称计算机视觉三大顶会，据小米技术披露，ECCV 2026共收到10473篇有效投稿，录取2883篇论文，录取率约27.5%，小米的12篇论文含金量可见一斑。

一、世界模型更新 不只要看见路还要“想象未来”

自动驾驶要真正走向复杂开放道路，不能只依赖当前帧里的车道线、车辆、行人和红绿灯。

真实驾驶更像是一场连续博弈：自车向左并线，旁车会不会减速？前车急刹，后车会如何反应？一个看似可行的轨迹，几秒后是否会把车辆带入冲突区域？

这就需要自动驾驶模型具备一种更高层的能力：世界模型。

所谓世界模型，简单来说，就是让模型在脑海中“预演未来”——不仅预测接下来画面会变成什么样，还要理解当前动作会怎样影响环境，周围交通参与者又会怎样反过来影响自车决策。

小米这次ECCV 2026自动驾驶相关论文中，CausalDrive和DriveVA正好代表了世界模型方向的两个关键问题。

1、CausalDrive：从“生成未来视频”到“模拟交通因果”

很多自动驾驶世界模型，过去更像是一个视频生成器，给它当前画面和一些条件，它生成未来几秒道路场景。

但问题是，真实交通不是一段被动播放的视频，而是一个会对自车动作作出反应的动态系统。

比如，自车准备并线，旁边车辆可能让行，也可能加速通过；前车突然刹车，后车会不会跟着减速，取决于距离、速度、驾驶意图等因素。

理解这些交通参与者之间的因果互动也是关键。

▲CausalDrive架构

CausalDrive的核心价值就在这里，论文指出，现有不少基于布局条件的驾驶世界模型依赖背景车辆未来轨迹，相当于提前知道了其他交通参与者未来会怎么走，因此并不是真正的交互式模拟。

而纯动作条件预测器又缺少对复杂交互的语义控制，并且推理延迟较高。

为了解决这个问题，CausalDrive只使用初始前视图像、自车轨迹和宏观文本提示，不输入未来NPC布局，从而迫使模型自己预测周围交通参与者的反应。

论文提出Context-Forced DMD（上下文强制DMD）架构，结合连续流匹配和自校正蒸馏，实现了12 FPS的交互式生成速度。

▲CausalDrive跑分

这意味着，CausalDrive把被动的视频生成器推进成一个可交互的神经仿真器，模型不仅要知道“未来画面长什么样”，还要理解“为什么会这样发生”。

这对自动驾驶的意义很直接。真实道路上的长尾情况很难全部靠采集数据覆盖，如果模型能构建可控、实时、可反事实推演的交通世界，就可以用来做闭环评测、强化学习训练，甚至人机交互式仿真。

论文也展示了其在生成式闭环评测、大规模强化学习后训练以及人在回路仿真中的应用潜力。

2、DriveVA：让“想象的未来”和“规划的轨迹”保持一致

如果说CausalDrive关注的是“交通世界如何因果互动”，那么DriveVA关注的是另一个关键问题：模型想象出来的未来，和它规划出来的轨迹，能不能一致？

现有不少世界模型规划方法，往往把未来视觉预测和轨迹规划分开处理，但这样做的问题是，模型可能“想象出一个未来”，却规划出一条并不匹配这个未来的路线。

也就是说，视频和动作是松耦合的。

DriveVA的方法是，把未来视觉预测和车辆动作序列放进同一个shared latent generative process（共享潜在生成过程）中联合生成。

论文基于大规模预训练视频生成模型，继承其对时空动态、物理合理性和因果交互的建模先验，并使用DiT-based decoder（基于 DiT 的解码器）同时预测未来视频和车辆动作序列。

这个设计解决了自动驾驶中的一致性问题。对人类司机来说，驾驶决策通常不是割裂的：我们会一边观察周围车辆运动，一边预测几秒后的交通状态，同时调整自己的路径。

而DriveVA让自动驾驶模型也具备这种能力，让未来视觉和动作在同一套生成逻辑中完成。

▲DriveVA跑分

实验结果也比较有话题度，从跑分结果看，DriveVA在NAVSIM challenge上达到90.9 PDM score，并在零样本设置下展现出跨数据集、跨域泛化能力。

在nuScenes上，相比现有世界模型规划器，DriveVA将平均L2 error和collision rate分别降低78.9%和83.3%，在Bench2Drive/CARLA v2上则分别降低52.5%和52.4%。

二、VLA继续升级 生成轨迹并学会“为什么这样开”

如果说世界模型解决的是“未来会怎样变化”，那么自动驾驶还必须回答下一个问题：面对这个未来，车应该怎么做？

过去的端到端自动驾驶，更像是在学习专家轨迹，这种方式能覆盖大量常见场景，却很难解决两个问题：一是遇到训练数据之外的长尾情况，模型缺少主动试错和自我改进能力；二是轨迹一旦生成出错，后续很容易误差累积，难以及时回头修正。

这正是MindDrive和DriveFine两篇论文切入的地方，它们都属于VLA模型，让自动驾驶模型不只是“看图输出轨迹”，而是先理解场景、形成驾驶意图，再转化为具体行动。

1、MindDrive模型怎样在真实交互中学会更好的决策

自动驾驶当然可以通过强化学习“边试边学”，但难点在于，车辆动作是连续轨迹空间，速度、方向、加速度、位置点组合极其复杂，直接在轨迹里试错效率很低。

MindDrive的做法，是把试错从连续轨迹空间上移到语言决策空间。

模型先判断“减速让行”“保持车道”“缓慢左转避让行人”等驾驶意图，再由动作专家把这些意图映射成具体轨迹。

论文中，MindDrive采用共享视觉-语言模型基座，并通过两套LoRA（一种大模型参数高效微调技术）适配模块形成两个专家。

▲MindDrive架构

一个负责场景推理和驾驶决策，另一个负责把语言决策转成可执行轨迹；车辆执行后的轨迹奖励，则反馈到语言推理层，用来优化下一次决策。

这一步的意义在于，模型不再只是模仿“专家当时怎么开”，而是开始学习“这个场景下为什么应该这样开”。

强化学习也不再是在海量连续轨迹里盲目搜索，而是在更离散、更可解释的语言决策中试错。

▲MindDrive跑分

论文结果显示，MindDrive使用轻量级Qwen-0.5B大语言模型，在Bench2Drive上取得Driving Score 78.04和Success Rate 55.09%。

2、DriveFine：规避路径驾驶风险

如果说MindDrive解决的是“模型如何学会更好地判断”，那么DriveFine解决的则是“模型判断之后，能不能先改一遍再执行”。

生成式自动驾驶规划有一个很现实的风险，很多模型像写句子一样一步步生成轨迹，如果前面某个判断偏了，后续轨迹就可能一路偏下去。

针对这一问题，DriveFine的答案是“先生成、再修正”。

▲DriveFine路径决策对比

它提出一种掩码扩散式视觉-语言-动作模型，并设计了即插即用的块级混合专家结构：生成专家先给出初始轨迹，修正专家再对轨迹进行二次优化。

通过推理时显式选择专家、训练时隔离梯度，DriveFine将“生成”和“修正”解耦，既保留预训练模型已有能力，又给模型注入自我优化能力。

论文还设计了混合强化学习策略，在鼓励修正专家探索的同时保持训练稳定，并在 NAVSIM v1、NAVSIM v2 和 Navhard 等基准上验证了鲁棒性。

▲DriveFine跑分

DriveFine让模型内部具备“反思”能力，先给出一个驾驶方案，再检查它是否安全、平顺、合理，最后在真正执行前完成修正，这样进一步提升了自动驾驶的稳定性。

三、让模型不只学会“怎么开” 也知道“什么不能做”

世界模型解决“未来会怎样”，VLA模型解决“应该怎么开”，但对自动驾驶来说，还有一个更底层的问题，那就是模型是否真正知道，哪些动作看起来接近正确，实际上却很危险？

这正是BeyondDrive这篇论文的切入点。

过去很多端到端自动驾驶模型依赖模仿学习，也就是让模型尽量贴近专家轨迹。

但这里有一个容易被忽略的陷阱：离专家轨迹近，不等于安全。

毕竟，两条轨迹在几何距离上可能只差一点点，模型训练时的损失也差不多，但结果可能完全不同。

一条还能安全通过，另一条可能几秒后就会碰撞。

论文中指出，传统模仿学习默认“空间接近等于行为安全”，这会造成目标错配——相似的模仿误差，可能对应完全不同的安全结果。

▲BeyondDrive架构

因此，BeyondDrive的主要工作就是让模型学会识别“危险的相似答案”。

它的方法可以理解成给自动驾驶模型建立一本“错题本”。模型不只看正确轨迹，还要看那些看起来很接近专家、但其实不安全的轨迹。

论文通过基于流匹配的负样本生成器，主动合成这类困难负样本；这些负样本在空间上接近专家轨迹，但在安全语义上存在风险。

随后，BeyondDrive 再用一种排斥距离损失，让模型一边靠近专家轨迹，一边远离危险负样本，从而在轨迹空间里建立更清晰的安全边界。

这个思路的价值在于，它把自动驾驶训练从“只学正确答案”，推进到了“同时理解错误答案为什么危险”，这对长尾场景尤其重要。

真实道路上的风险，很多时候不是那种一眼就错的动作，而是那些差一点就对了、但关键时刻会出事的动作。

比如贴着前车过近、在路口稍微偏向冲突区域、避让行人时留出的安全余量不够。

这些轨迹可能在训练损失上并不显眼，却决定了系统在闭环驾驶中的安全上限。

▲BeyondDrive跑分

从实验结果看，BeyondDrive可以迁移到不同端到端驾驶架构中，它应用在Latent TransFuser基线上，在NAVSIMv1闭环基准上达到89.7 PDMS，在MeanFuser + BeyondDrive跑分达到90.3 PDMS。

如此来看，BeyondDrive重新定义自动驾驶模型该学什么，安全不是只靠更接近专家轨迹就能得到的，模型必须显式知道：哪些选择虽然看起来合理，但已经越过了安全边界。

结语：小米自动驾驶再放大招

从这五篇论文可以看到，小米自动驾驶研究的重心在于搭建一条更完整的技术链路。

技术团队用世界模型预演未来，用视觉-语言-动作模型形成决策，用强化学习优化判断，用安全负样本划清边界，再用自我修正提升规划鲁棒性。

如此来看，自动驾驶的下一步，不只是让车“看得更清楚”，而是让车真正理解它所处的交通世界——知道未来可能发生什么，知道自己为什么这样开，也知道哪些选择必须提前避开。