前几天，小鹏汽车在   arXiv   上矜重公开了他们在物理   AI   与全国模子范畴的最新商量效用：X-Foresight: A Joint Vision-Action Causal Forecasting Network via Predictive World Modeling。

这无疑是全球狡计机视觉顶会   CVPR 2026   开幕前夜的一项分量级效用，而小鹏亦然本届会议中独一受邀进行主题演讲的中国车企。这篇论文的公开，意味着继本年   3   月发布   X-World、4   月发布   X-Cache   之后，小鹏智驾生态的临了一块中枢拼图矜重落地。

看成这套体系的灵魂   X-Foresight   是一套基于瞻望式全国模子（Predictive World Modeling）的视觉 - 动作因果瞻望网罗。而它的推出，直指刻下系数智驾行业的底层瓶颈。

目前，大部分自动驾驶系统（包括特斯拉 FSD V12）和最前沿的   VLA   架构（Vision-Language-Action），都是端到端的，施行上偏向"条目反射"。

系统就像一个凭本能开车的赛车手，走的是"感知→平直动作"的黑盒道路。因为枯竭对物理全国的知识，它们无法在脑海里提前模拟："若是我这样开，3 秒后会发生什么？"

怎样冲突这个瓶颈？小鹏的   X-Foresight 在这里面加入了一个中间层："感知→瞻望异日状态→评估动作后果→弃取最优动作"。

相较于传统   VLA   依赖言语看成中间表现，X-Foresight   弃取了一条更底层、锻真金不怕火难度更高、但更具颠覆性的通路——平直建模物理因果。就像给智驾系统安上了"预言家的大脑"，一边高频控车，一边及时"脑补"出高清全景异日画面。无论是行东说念主突横穿、前车急刹，照旧非法掉头等高危长尾场景，都能在提前预判中舒缓拿握。

( A ) X-Foresight 的推理历程

( B ) 在 t=2 s、t=4 s、t=6 s 时刻瞻望异日帧的闭环推理可视化散伙

( C ) X-Foresight 在多项基准测试中均优于基线递次

而这套物理模拟器之是以大概从纸面走向现实，全靠以下四个中枢时期模块的朝上式翻新：

架构："分块预判"冲突大模子的正当舞弊

好多东说念主合计，既然   Sora   能把视频生成得那么传神，那平直把这套"逐帧瞻望下一帧画面"的绝活搬到智能驾驶上不就行了？

但是，这样作念会遭逢一个致命的"瞻望退化陷坑"。由于自动驾驶视频的相邻两帧画面委果太相似了，若是让大模子去"逐帧瞻望"，它会赶快学会偷懒舞弊，平直把上一帧画面平移或者复制往时。这样耗费函数天然降下来了，但施行上退化成了毫无兴味兴味的像素外推，根底没学到真确的物理泄露律例，妥妥的"无效刷题"。

同期，全国建模还濒临着"时序逆境"：你念念看清前车变说念的逐一瞬，就得死盯着每一帧（高帧率繁密瞻望）；但你念念看懂前列过十字街头的恒久因果，又得往后看好几秒。若是把这两件事混在一说念强行死磕每一帧，车机算力已而就会被榨干。

是以，X-Foresight   的架构中枢，改用了"永劫域分块自归来"（Chunk-wise  Auto-Regressive）战术：

内密外疏，短长通吃：它不再一帧一帧地生啃，而是把时间切成了一个个   1   秒钟的"大块（Chunk）"。在块的里面，密集采样，把前车变说念、刹车灯亮这种"瞬时动态"抓得死死的；在块与块之间，平直朝上式地零散跳转，专门用来推演几秒后的"恒久因果"。这样既不会让模子躺平抄功课，又用极低的算力本钱兼顾了目下的细节和迢遥的因果。

BSA   算力加快：为了驻扎这种长序列锻真金不怕火让系统崩掉，团队我方手写了一个半因果块零散留心力机制（BSA）看成底层核，平直把传统的   Flash   Attention-2   给换掉了。这一换，端到端锻真金不怕火的混沌量平直暴涨了   1.59 倍！用最经济的算力，完好料理了这个时间两难的逆境。

用于长序列锻真金不怕火的半因果块零散留心力掩码

两个面板展示了分拨给不同留心力头组的互补零散模式

战术：由易到难，无痛拓宽 21 秒远见视界

念念让一个刚出身的大模子连气儿看清   21   秒后的异日，算力不仅吃不用，模子也根底学不会，极易导致锻真金不怕火崩溃。

为了破这个局，小鹏引入了渐进式课程学习合作推广视界战术（Curriculum Learning for Extended Foresight，CLEF），像教孩子念书相似，追究次第渐进：

第一步（普及班）：  先让模子学会瞻望挨在一说念的短时间块（以   1   秒为步前程行短期脑补）。

第二步（进阶班）：  等模子基础底细塌实了，厚重把块之间的跳转间距拉大到   3   秒。

通过这种由易到难的"喂养"花式，系统在莫得加多一丁点迥殊算力职守的前提下，硬生生把前瞻视线拉长到了   21   秒的超长地平线。这平直让   AI   领有了老司机"走一步、看十步"的顶级远见，即使遭逢突发气象，控车战术也稳如老狗，不掉链子。

数据：拒却活水账，免苍劲模子死磕"错题本"

海量的开拔行车视频看似是一大笔资产，但其实大部分时间车辆都在沉稳地匀速直线行驶。这种毫无海浪的"沉稳巡航鬼话画面"若是均匀采样、高密度地喂给大模子，只会白白徒然算力和监督信号，还会稀释中枢知识的学习效果，让模子变得鲁钝。

为了不让数据注水，小鹏翻新欺诈了时序遑急性采样（Temporal Importance Sampling，简称   TIS）。这套战术不看别的，专挑"贫困"和"突发气象"下手：

用公式给路况精确打分：  系统不是盲目地乱选视频，而是通过一套基于车辆横向和纵向加快度的算法，及时给前瞻、当下、后滞三个时间窗口的动态变动进行定量评估。

专攻安全环节：  唯有遭逢变说念、急刹、强插、猛打标的等安全环节块，开云(中国)2026世界杯官方推荐该片断的分数就会飙升。系统会自动把谨慎的算力歪斜给这些高价值片断。这至极于免苍劲模子废弃无兴味兴味的活水账，全神灌输地死磕"硬核错题本"，大大进步了应付危急时的方案前程。

渲染：脑眼分离，戒备遵守的"防舞弊天条"

为了把大脑念念的"因果兴味"造成寰球都能看懂的高清画面，小鹏在假想玄学上提议了一个相配澄莹的不雅点：学兴味不需要高清。

若是隐空间里塞满了过多的像素细节，反而会稀释掉模子对全国中枢结构律例的领路。就像咱们东说念主类学开车，脑子里念念的是车流怎样走、路怎样弯，而不需要去强行记取路边每棵树的树叶是怎样飘的。

因此，X-Foresight   依托两大中枢模块，收尾了"脑眼分离"：

大型驾驶模子（Large Drive Model）充任"智囊"： 看成中枢大脑，在隐空间进行抽象的物理推理和控车方案。它输出三种东西：限制动作（高频控车）、BEV   俯视图（空间结构领路）和每路录像头的隐向量   Token。

视觉渲染器（Vision Renderer）充任"画师"：  基于   X-World   优化的扩散式多视角渲染器与   3D   因果   VAE（变分自编码器），它不参与方案，专门负责把   LDM   智囊脑海里那些抽象的   Token，归附成几何一致、真假难辨的   7   路环顾录像头高清全景闭环画面。1   秒瞻望视界   FID   值低至   1.51，即便到了   6   秒永劫瞻望仍能保持极低漂移！

锻真金不怕火历程表现

而这里，遵守着一条绝妙的"防舞弊天条"：在最终的对皆阶段，渲染器是统统不输入车辆限制动作（Action Token）的！

为什么要专门瞒着它？因为若是让渲染器同期看到动作（比如踩油门或打标的），扩散模子就会暗暗走捷径，平直阐发动作去硬套、瞎编异日的画面，从而与   LDM   大脑里面果真的物理推理脱节。

目前，小鹏逼着渲染器只可通过   LDM   的   Camera Token   这一根独木桥来传导信息，反而死死确保了车机画出来的异日画面，与智驾大脑的里面果真念念象统统对皆。

战绩：13.8 万亿 Token 喂出的工业级家底与实测轰动

一套苍劲的全国模子网罗，必须有雄壮的产业级数据和生态来喂养。

小鹏此次平直掏出了令东说念主惊叹的工业级家底：基于小鹏   28   万小时自有驾驶数据锻真金不怕火，涵盖   3400   万条视频片断，Token   范畴达到了恐怖的   13.8   万亿！ 聘用   7   目环顾录像头，收尾   360   度无死角笼罩，凡俗横跨城市说念路（86.8%）与高速（13.2%），完整保留了环岛、匝说念、收费站、错误说念路使用者交互等长尾安全场景。

在这层敷裕式锻真金不怕火下，完整体的   X-Foresight   在策动安全与生成保真度上全面起初传统基线，平直用一连串硬核的数据砸碎了传统   VLA   的黑盒瓶颈：

安全合规方针暴涨：中枢碰撞率相对暴跌了   16.2%！安全（Safety）方针进步   9.1%，合规（Compliance）方针进步   8.2%。

轨迹精确控线：策动   AI   走线准不准的轨迹缝隙上，横向和纵向的   ADE（平均位移缝隙）划分进步   6.4%   和   3.6%；而永恒预判的   FDE（尽头位移缝隙）更是划分大幅优化了   8.8%   和   4.1%。

六边形战士：依据小鹏自家的   CCES（合规性、酣畅地、效用、安全性）测评方针体系，X-Foresight   在四个方针上的空洞发扬进步了   4.6%。

X-Foresight 与基线模子进行的实测数据对比

在施行场景中，对比传统两眼一抹黑、动不动就车说念偏离、盲目制动点刹的旧模子，X-Foresight   现场演示了什么叫领有物理全国知识的"顶级老司机"：

多出口大环岛场景：传统的响应式模子由于视界太短，一进环岛看到近处的出口，很容易按"肌肉挂牵"跑偏、提前切出。而   X-Foresight   展现出苍劲的前瞻性方案智力，精确锚定导航目的出口，一齐上稳压阵地，毫不受近处出口的滋扰。

多出口环岛下，X-Foresight 阐发施行情况跟踪目的出口

夜间路口信号灯切换预判：面对前列红灯，平时基线模子常常因为短视而早早一脚把刹车踩死，致使把瞻望轨迹掐断。但   X-Foresight   通过脑补异日，精确预判了信号灯的切换趋势   ——   它算准了车辆滑行到住手线前红灯就会变绿，从而在里面画出了一条无需延缓、滑行通过路口的优雅轨迹。

夜间十字街头下，X-Foresight 瞻望信号灯调养

全栈协同，和特斯拉国皮毛见的那天越来越近了

跟着   X-Foresight   的矜重亮相，小鹏通往高阶自动驾驶的"超等三件套"终于澈底完成了拼图，构筑起了闭环的自动驾驶生态：

X-World   负责料理"数据"：  用超传神的多视角仿真生成，给   AI   创造出用之不绝、包罗万象的"模拟考卷"；

X-Cache   负责料理"速率"：  把端到端的及时性和混沌率拉满，确保车机大脑在应付海量高频信号时毫不卡顿、原地腾飞；

X-Foresight   负责料理"智能"：  注入灵魂级的物理因果推理，让车子真确学会像东说念主类老司机相似去"预判异日"。

这三张王牌凑皆，协同构建起"知识学习 - 场景仿真 - 推理加快"   的全栈体系，才算真确赞成起   L4   级别智驾所必需的"系统级安全冗余"。全面质变从来都不是靠某一个算法的单点爆种，而是靠这种丝丝入扣的系统级全栈工程智力。

从数据初始、模子初始，再到如今   X-Foresight   开启的"全国知识初始"（World-knowledge-driven）新范式，自动驾驶的下半场要变天了。异日的物理全国模拟器，小鹏也曾率先开上了骨干说念。

回念念起   2020   年，马斯克数落小鹏智驾时，何小鹏在酬酢媒体上的硬气修起：

如今的小鹏，已被好多东说念主认为时国内能与特斯拉正面硬刚的最强竞争者。

而何小鹏当年说的"国皮毛见"的那一天，也曾越来越近了。

参考阅读：

X-Foresight 官方相貌主页：https://x-foresight-1.github.io/en/

•END •

包涵点击科技逐日推送视频号，看最新视频 ~

↓↓↓开云(中国)2026世界杯官方推荐

易简传媒为一家新三板挂牌公司 ( 股票代码 :834498 ) ，旗下新媒体微信粉丝 2500 万 +，叙述各行业的精彩故事，包涵寰球存眷以下账号

↓↓↓