近日，小鹏汽车正式发布世界模型X-World技术报告，从数据、模型、训练、验证及应用等多个层面，详细介绍了X-World的构建与使用。X-World是一个基于视频扩散生成技术构建的可控多视角生成式世界模型，具备多视角下即时响应与持续生成的能力。该模型已投入到闭环仿真测试、在线强化学习、数据生成等实际生产环节，并在近期向用户推送的第二代VLA研发与验证过程中，被大量用于环境仿真与模型评估。

　　构建可交互的“现实世界模拟器”

　　自动驾驶系统的评估主要依赖真实道路测试与仿真测试。传统仿真评估大量采用基于3D高斯溅射的技术路线，这类方法能够在一定程度上复现真实场景，但当自动驾驶模型产生大幅变道、绕行等明显偏离原始采集轨迹的行为时，往往难以对超出既有重建范围的后续场景进行有效生成与评估。

　　为突破这一瓶颈，小鹏生成世界模型团队尝试构建一个“现实世界模拟器”，使其在给定动作条件下生成符合物理约束的未来视频，并在持续生成过程中保持良好的可控性与稳定性。X-World通过输入多摄像头的历史视频流和待执行的驾驶动作，生成对应的未来多摄像头视频流。

　　架构层面，X-World基于当前领先的视频生成模型WAN 2.2构建，采用高压缩比3D因果自编码器，大幅降低计算与内存开销，支持长时序视频建模。模型骨干为定制化的DiT骨干网络，通过视角-时间自注意力机制，实现时间维度和视角维度的联合建模，确保7路摄像头视角间的一致性。X-World还提供了一套全面的条件控制接口，包括自车动作、动态交通参与者、静态道路元素、摄像头内外参，可对驾驶场景的生成过程进行细粒度调控。

　　跨视角一致性、动作跟随性与长视频推演能力

　　技术报告显示，X-World具备三大核心优势：跨视角一致性，确保各摄像头间的几何信息与目标特征一致；动作跟随性，生成的未来画面与指令要求的自车行为高度匹配；长视频推演能力，可在较长的时间跨度内实现稳定的预测。这些特性使生成式世界模型更接近实用的“现实世界仿真器”形态。

　　训练层面，团队采用两个阶段的训练方式：第一阶段，将大型预训练视频生成模型改造为完全可控的多摄像头世界模型；第二阶段，通过“分块因果架构”和“少步自强制学习”，结合滚动键值缓存，将模型转换为流式自回归模拟器。与传统的双向视频扩散模型不同，X-World采用流式自回归方式运行，逐步生成未来视频画面以进行实时交互，这一设计使模型能够天然适用于闭环场景。

　　实际应用：服务于第二代VLA的研发与验证

　　记者了解到，X-World已在小鹏汽车自动驾驶的闭环仿真测试、在线强化学习、数据生成等环节发挥作用。

　　托X-World，小鹏构建了面向第二代VLA的闭环评估引擎。区别于传统的基于3D重建的技术路线，X-World可进行交互式推演，并支持对安全关键指标进行评估。目前，小鹏自动驾驶仿真场景从一年前的3万个增加到50多万个，每日仿真测试里程等效于3000万公里实车测试。

　　X-World可充当在线强化学习的仿真平台，针对自动驾驶中的难点场景进行专项优化，如路口“鬼探头”、拥堵路段变道犹豫等场景。同时，X-World作为生成式数据工厂，既可生成缺失的长尾场景数据，提升第二代VLA应对复杂场景的能力，也可生成海外数据用于模型训练，加速小鹏自动驾驶全球化落地进程。

　　观察：仿真技术突破与自动驾驶研发范式演进

　　小鹏此次发布的世界模型技术报告，揭示了自动驾驶仿真测试领域的一次技术演进。传统的基于3D重建的仿真方法，在面对自动驾驶模型产生明显偏离原始轨迹的行为时，往往难以生成符合物理规律的后续场景。而X-World通过视频扩散生成技术，构建了可交互、可响应的“现实世界模拟器”，使仿真测试更接近真实道路测试的灵活性。

　　在自动驾驶技术路线从模块化向端到端演进的背景下，仿真测试能力正成为衡量研发效率的关键指标。小鹏将X-World直接应用于第二代VLA的研发与验证，显示出生成式世界模型已从实验室技术转化为工程化工具。对于行业而言，如何构建低成本、高效率、高保真的仿真测试环境，仍是自动驾驶研发的重要课题，而X-World的实践为这一方向提供了可参考的路径。