头几天，小鹏汽车于 arXiv 上正式公然了他们于物理 AI 与世界模子范畴的最新研究结果：X-Foresight: A Joint Vision-Action Causal Forecasting Network via Predictive World Modeling。

这无疑是全世界计较机视觉顶会 CVPR 2026 揭幕前夜的一项重量级结果，而小鹏也是本届集会中独一受邀举行主题演讲的中国车企。这篇论文的公然，象征着继本年 3 月发布 X-World、4 月发布 X-Cache 以后，小鹏智驾生态的末了一块焦点拼图正式落地。

作为这套系统的魂灵X-Foresight 是一套基在猜测式世界模子（Predictive World Modeling）的视觉-动作因果猜测收集。而它的推出，直指当前整个智驾行业的底层瓶颈。

今朝，年夜部门主动驾驶体系（包括特斯拉FSD V12）及最前沿的 VLA 架构（Vision-Language-Action），都是端到真个，素质上倾向“前提反射”。

体系就像一个凭本能开车的赛车手，走的是“感知→直接动作”的黑盒线路。由于缺少对于物理世界的知识，它们没法于脑海里提早模仿：“假如我这么开，3秒后会发生甚么？”

怎么打破这个瓶颈？小鹏的 X-Foresight于这内里插手了一个中间层：“感知→猜测将来状况→评估动作后果→选择最优动作”。

相较在传统 VLA 依靠语言作为中间暗示，X-Foresight 选择了一条更底层、练习难度更高、但更具倾覆性的通路——直接建模物理因果。就像给智驾体系安上了“先觉的年夜脑”，一边高频控车，一边及时“脑补”出高清全景将来画面。不论是行人突横穿、前车急刹，还有是背规失甲等高危长尾场景，都能于提早预判中轻松拿捏。

(B) 于 t=2 s、t=4 s、t=6 s 时刻猜测将来帧的闭环推理可视化成果

(C) X-Foresight 于多项基准测试中均优在基线要领

而这套物理模仿器之以是可以或许从纸面走向实际，端赖如下四个焦点技能模块的超过式立异：

架构：“分块预判”打破年夜模子的正当做弊

许多人感觉，既然 Sora 能把视频天生患上那末传神，那直接把这套“逐帧猜测下一帧画面”的绝活搬到智能驾驶上不就好了？

然而，如许做会碰到一个致命的“猜测退化陷阱”。因为主动驾驶视频的相邻两帧画面其实太相似了，假如让年夜模子去“逐帧猜测”，它会迅速学会偷懒做弊，直接把上一帧画面平移或者者复制已往。如许丧失函数虽然降下来了，但现实上退化成为了毫无心义的像素外推，底子没学到真实的物理运动纪律，妥妥的“无效刷题”。

同时，世界建模还有面对着“时序困境”：你想看清前车变道的一刹那，就患上死盯着每一一帧（高帧率浓厚猜测）；但你想看懂前方过十字路口的持久因果，又患上日后看好几秒。假如把这两件事混于一路强行死磕每一一帧，车机算力刹时就会被榨干。

以是，X-Foresight 的架构焦点，改用了“永劫域分块自回归”（Chunk-wise Auto-Regressive）计谋：

内密外疏，是非通吃：它再也不一帧一帧地生啃，而是把时间切成为了一个个 1 秒钟的“年夜块（Chunk）”。于块的内部，密集采样，把前车变道、刹车灯亮这类“瞬时动态”抓患上死死的；于块与块之间，直接超过式地稀少跳转，专门用来推演几秒后的“持久因果”。如许既不会让模子躺平抄功课，又用极低的算力成本统筹了面前的细节及远方的因果。

BSA 算力加快：为了避免这类长序列练习让体系崩失，团队本身手写了一个半因果块稀少留意力机制（BSA）作为底层核，直接把传统的 FlashAttention-2 给换失了。这一换，端到端练习的吞吐量直接暴涨了 1.59倍！用最经济的算力，完善弄定了这个时间两难的困境。

两个面板展示了分配给差别留意力头组的互补稀少模式

计谋：由易到难，无痛拓宽 21 秒远见视界

想让一个刚出生的年夜模子一口吻看清 21 秒后的将来，算力不仅吃不用，模子也底子学不会，极易致使练习瓦解。

为了破这个局，小鹏引入了渐进式课程进修共同扩大视界计谋（Curriculum Learning for Extended Foresight，CLEF），像教孩子念书同样，讲求按部就班：

第一步（普和班）：先让模子学会猜测挨于一路的短期块（以 1 秒为步上进行短时间脑补）。

第二步（进阶班）：等模子根本扎实了，逐渐把块之间的跳转间距拉年夜到 3 秒。

经由过程这类由易到难的“喂养”方式，体系于没有增长一丁点分外算力承担的条件下，硬生生把前瞻视线拉长到了 21 秒的超长地平线。这直接让 AI 拥有了老司机“走一步、看十步”的顶级远见，纵然碰到突发状态，控车计谋也稳如老狗，不失链子。

数据：拒绝流水账，强制年夜模子死磕“错题本”

海量的上路行车视频看似是一年夜笔财富，但实在年夜部门时间车辆都于平稳地匀速直线行驶。这类毫无波涛的“平稳巡航空话画面”假如匀称采样、高密度地喂给年夜模子，只会白白华侈算力及监视旌旗灯号，还有会稀释焦点常识的进修效果，让模子变患上痴钝。

为了避免让数据灌水，小鹏立异运用了时序主要性采样（Temporal Importance Sampling，简称 TIS）。这套计谋不看另外，专挑“难题”及“突发状态”下手：

用公式给路况精准打分：体系不是盲目地乱选视频，而是经由过程一套基在车辆横向及纵向加快度的算法，及时给前瞻、当下、后滞三个时间窗口的动态变更举行定量评估。

专攻安全要害：只要碰到变道、急刹、强插、猛打标的目的等安全要害块，该片断的分数就会飙升。体系会主动把名贵的算力歪斜给这些高价值片断。这相称在强制年夜模子丢弃无心义的流水账，全神灌输地死磕“硬核错题本”，年夜年夜晋升了应答危机时的决议计划上进。

衬着：脑眼分散，谨防死守的“防做弊天条”

为了把年夜脑想的“因果原理”酿成各人都能看懂的高清画面，小鹏于设计哲学上提出了一个很是苏醒的不雅点：学原理不需要高清。

假如隐空间里塞满了过量的像素细节，反而会稀释失模子对于世界焦点布局纪律的理解。就像咱们人类学开车，脑子里想的是车流怎么走、路怎么弯，而不需要去强行记住路边每一棵树的树叶是怎么飘的。

是以，X-Foresight 依托两年夜焦点模块，实现了“脑眼分散”：

年夜型驾驶模子（Large Drive Model）充任“智囊”：作为焦点年夜脑，于隐空间举行抽象的物理推理及控车决议计划。它输出三种工具：节制动作（高频控车）、BEV 俯瞰图（空间布局理解）及每一路摄像头的隐向量 Token。

视觉衬着器（Vision Renderer）充任“画师”：基在 X-World 优化的扩散式多视角衬着器与 3D 因果 VAE（变分自编码器），它不介入决议计划，专门卖力把 LDM 智囊脑海里那些抽象的 Token，还有原成几何一致、真假难辨的 7 路环顾摄像头高清全景闭环画面。1 秒猜测视界 FID 值低至 1.51，即便到了 6 秒永劫猜测仍能连结极低漂移！

而这里，死守着一条绝妙的“防做弊天条”：于终极的对于齐阶段，衬着器是绝对于不输入车辆节制动作（Action Token）的！

为何要存心瞒着它？由于假如让衬着器同时看到动作（好比踩油门或者打标的目的），扩散模子就会偷偷走捷径，直接按照动作去硬套、瞎编将来的画面，从而与 LDM 年夜脑内部真正的物理推理脱节。

此刻，小鹏逼着衬着器只能经由过程 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将来画面，与智驾年夜脑的内部真实想象绝对于对于齐。

战绩：13.8 万亿 Token 喂出的工业级家底与实测震撼

一套强盛的世界模子收集，必需有重大的财产级数据及生态来喂养。

小鹏此次直接取出了使人赞叹的工业级家底：基在小鹏 28 万小时自有驾驶数据练习，涵盖 3400 万条视频片断，Token 范围到达了可骇的 13.8 万亿！ 采用 7 目环顾摄像头，实现 360 度无死角笼罩，广泛横跨都会门路（86.8%）与高速（13.2%），完备保留了环岛、匝道、收费站、弱势门路利用者交互等长尾安全场景。

于这层饱及式练习下，彻底体的 X-Foresight 于计划安全与天生保真度上周全领先传统基线，直接用一连串硬核的数据砸碎了传统 VLA 的黑盒瓶颈：

安全合规指标暴涨：焦点碰撞率相对于狂跌了 16.2%！安全（Safety）指标晋升 9.1%，合规（Compliance）指标晋升 8.2%。

轨迹精准控线：权衡 AI 走线准禁绝的轨迹偏差上，横向及纵向的 ADE（平均位移偏差）别离晋升 6.4% 及 3.6%；而久远预判的 FDE（尽头位移偏差）更是别离年夜幅优化了 8.8% 及 4.1%。

六边形兵士：依据小鹏自家的 CCES（合规性、恬静性、效率、安全性）测评指标系统，X-Foresight 于四个指标上的综合体现晋升了 4.6%。

于现实场景中，对于比传统两眼一抹黑、动不动就车道偏离、盲目制动点刹的旧模子，X-Foresight 现场演示了甚么叫拥有物理世界常识的“顶级老司机”：

多出口年夜环岛场景：传统的反映式模子因为视界过短，一进环岛看到近处的出口，很轻易按“肌肉影象”跑偏、提早切出。而 X-Foresight 揭示出强盛的前瞻性决议计划能力，精准锚定导航方针出口，一起上稳压阵脚，毫不受近处出口的滋扰。

多出口环岛下，X-Foresight按照现实环境追踪方针出口

夜间路口旌旗灯号灯切换预判：面临前方红灯，平凡基线模子往往由于短视而早早一脚把刹车踩死，甚至把猜测轨迹掐断。但 X-Foresight 经由过程脑补将来，精准预判了旌旗灯号灯的切换趋向 —— 它算准了车辆滑行到住手线前红灯就会变绿，从而于内部画出了一条无需减速、滑行经由过程路口的优雅轨迹。

夜间十字路口下，X-Foresight猜测旌旗灯号灯转换

全栈协同，及特斯拉国际相遇的那天愈来愈近了

跟着 X-Foresight 的正式表态，小鹏通往高阶主动驾驶的“超等三件套”终究完全完成为了拼图，修筑起了闭环的主动驾驶生态：

X-World 卖力弄定“数据”：用超传神的多视角仿真天生，给 AI 创造出无限无尽、包含万象的“模仿考卷”；

X-Cache 卖力弄定“速率”： 把端到真个及时性及吞吐率拉满，确保车机年夜脑于应答海量高频旌旗灯号时毫不卡顿、原地腾飞；

X-Foresight 卖力弄定“智能”：注入魂灵级的物理因果推理，让车子真正学会像人类老司机同样去“预判将来”。

这三张王牌凑齐，协同构建起“常识进修-场景仿真-推理加快”的全栈系统，才算真正支撑起 L4 级别智驾所必须的“体系级安全冗余”。周全质变从来都不是靠某一个算法的单点爆种，而是靠这类环环相扣的体系级全栈工程能力。

从数据驱动、模子驱动，再到如今 X-Foresight 开启的“世界常识驱动”（World-knowledge-driven）新范式，主动驾驶的下半场要变天了。将来的物理世界模仿器，小鹏已经经率先开上了骨干道。

追念起 2020 年，马斯克责怪小鹏智驾时，何小鹏于社交媒体上的硬气回应：

如今的小鹏，已经被许多人认为时海内能与特斯拉正面硬刚的最强竞争者。

而何小鹏昔时说的“国际相遇”的那一天，已经经愈来愈近了。

参考浏览：

X-Foresight 官方项目主页：https://x-foresight-1.github.io/en/

24小时滚动播报最新的财经资讯及视频，更多粉丝福利扫描二维码存眷（sinafinance）