时隔近十年，计算机视觉领域的传奇人物、ResNet 与 Faster R-CNN 的合作者任少卿再度发表学术论文，以通讯作者身份带来了自动驾驶领域的最新突破。这篇由蔚来（NIO）主导的研究论文题为《MM-Future: Multi-Mode Joint World–Action Modeling for Autonomous Driving》，提出了一种全新的多模式世界—动作联合模型，旨在让自动驾驶系统拥有“走一步想十步”的深度规划能力。
该论文直击端到端自动驾驶的痛点：在复杂的现实驾驶场景中，系统不能只生硬地预测一条轨迹，而必须面对充满不确定性的多个“未来”。MM-Future 的核心思想是摒弃传统单向决策，让模型一次性生成多组“配对场景-动作假设”（paired scene–action hypothesis）。在每组假设中，车辆轨迹与对应的未来环境场景共同演化，双向耦合，最后通过评估器挑选出最安全、最优的行驶路径。
目前的“世界-动作模型”（World–Action Model）主要分为两类路线，但各有硬伤。第一类是级联式方案，即先生成候选轨迹再预测对应场景，或者先预测场景再规划路径。这种单向信息流导致后面的步骤无法修正前面的错误决策。第二类是联合式方案，场景与动作相互交织演化，但现有的此类方法通常只能输出单一未来假设。而现实路况复杂，车辆需要同时具备“双向交互”与“多路径预演”的能力，这正是 MM-Future 填补的技术空白。
同时演化几十个未来场景，必然面临多样性、计算成本以及候选筛选三大门槛。在多样性方面，针对单真值轨迹导致的监督局限，团队在动作端引入了高斯混合噪声（Gaussian Mixture Noise），并在训练中采用“多选一监督”（Best-of-Many），避免所有候选被同一条真值轨迹拉向相似结果，从而保持了未来预测的多样性与物理配对。
在控制计算成本上，MM-Future 创新性地引入了 MM-Tokens。它不进行高成本的 RGB 图像重建或完整的 BEV 恢复，而是将多摄像头、多帧的视觉特征压缩成专为规划服务的紧凑 Token，从而在大幅降低计算开销的同时，精准保留道路结构、交通参与者等关键语义信息。此外，系统通过 Modality-aware Transformer 双向耦合处理动作与场景流，最后由 Future-Conditioned Proposal Scorer 读取每条轨迹专属的预测未来进行综合评分，实现高精度的轨迹筛选。
在权威基准 NAVSIM 和 HUGSIM 上的测试结果表明，MM-Future 展现出了极其优异的性能。在 NAVSIM-v1 测试中，该模型取得了 94.0 PDMS 的优异成绩，显著超越了传统 WAM 方案 DriveFuture 的 90.7，以及端到端模型 DrivoR 的 93.7。消融实验也证实，从单模式动作扩展到 32 组场景-动作联合模式并加入未来条件评分，PDMS 指标从 84.1 飙升至 93.3，充分证明了多未来联合推演的强大实力。
从 AI Agent 生态的视角来看，MM-Future 不仅仅是一项自动驾驶技术，更代表了具身智能（Embodied AI）世界模型设计的范式转变。相较于单向推理的传统 Agent，MM-Future 通过“动作-场景双向演化”实现了更高级的主动式规划（Proactive Planning）。这与当前大语言模型（LLM） Agent 领域中流行的 MCTS（蒙特卡洛树搜索）和 ToT（思维树）思想不谋而合，但它在物理时空连续体中实现了实时多路径预演。通过将高维传感器特征压缩为紧凑的 MM-Tokens，该系统在保证多假设并行推演的同时降低了计算开销，为解决物理世界中 Agent 的‘幻觉’与安全冗余问题提供了极具启发性的工程范例。未来，这种多模态联合预测与多模态评分机制，或将超越自动驾驶，成为机器人与工业具身智能体的核心决策底座。
