导读： 本文是来自xjh的网友投稿，由 编辑发布关于小米发布机器人基座模型Xiaomi-Robotics-1 可根据自然语言指令执行操作任务的内容介绍 7月16日,小米机器人事业部正式推出具身基座模型Xiaomi-Robotics-1.这款模型的核心竞争力,藏在一个数字里——10万小时。这不是模拟器里跑出来的合成数据,而是真实世界操作轨迹的累积。
团队通过通用操作接口设备,在家庭、商业空间、工业场景、办公室、户外等多类环境中采集了大量的物体交互和操作行为数据。 数据采集只是第一步。
10万小时的原始素材如何变成模型可用的“教材”?小米团队构建了一套可规模化的自动标注流程:将长轨迹切分为固定长度片段,用视觉语言模型对片段中的夹爪状态变化和交互物体状态变化进行描述。整个标注流程大约两周即可完成。
让机器人在真实环境里“看”了10万小时之后,它学到的不是某个特定动作的固定套路,而是“在当前视觉条件下,做什么动作能让场景从现状变成目标状态”的通用逻辑。 两阶段训练,从“看得懂”到“做得到” Xiaomi-Robotics-1采用“预训练+后训练”两阶段范式。
预训练阶段解决的是“通用动作生成”能力——给定当前视觉观察和语言描述,模型预测一段动作序列,推动场景从当前状态向目标状态变化。这就像让一个学徒先观察一千个师傅的操作,理解“做这件事的大致逻辑是什么”。
后训练阶段则更精细。团队构建了约10000小时的跨本体数据,其中包含7200小时以上的移动操作机器人和双臂机器人数据。
后训练要解决两个对齐问题:本体对齐——把从UMI设备数据中学到的动作生成能力迁移到真实机器人本体上;指令对齐——把“根据状态变化描述生成动作”转化为“根据人类自然语言指令执行任务”。经过这两个对齐步骤之后,Xiaomi-Robotics-1即可在真实环境中根据自然语言指令直接执行多类移动操作任务。
“开箱即用”不是口号,是实测结果 “开箱即用”四个字,在Xiaomi-Robotics-1这里经得起推敲。在公开仿真基准评测中,模型交出了一份漂亮的成绩单。
RoboCasa365基准中,Xiaomi-Robotics-1达到57.4%的平均成功率,而此前行业最优水平仅为46.6%。在RoboDojo仿真评测中,模型以20.07的平均分数和13.93%的平均成功率强势登顶,大幅刷新了此前由行业最优方法保持的13.07分和8.80%成功率的纪录。
VLABench中,平均成功率达到59.1%,平均进度得分达到70.3%。RoboCasa基准中,74.5%的平均成功率同样领先一众对比方法。
实验还揭示了一个关键趋势:预训练数据从2500小时扩展至20000小时,模型规模从2B扩大到10B,动作预测损失持续降低,真实任务成功率同步提升。在新任务适配方面,平均不足10小时的数据微调即可大幅超越对比基线。
在鞋柜收纳、书包打包、桌面整理、沙发收拾等真实任务评测中,预训练阶段表现更好的模型,在后训练后的真实执行中也取得了更高的成功率。 从基座到生成,小米机器人的“组合拳” Xiaomi-Robotics-1的发布并非孤立事件。
前一天,小米刚刚发布了Xiaomi-Robotics-U0——一个拥有380亿参数的多模态自回归具身生成基础模型。U0首次将多项具身世界建模能力与通用图像生成能力统一到一套架构中,为机器人训练数据的生成、迁移和扩增提供统一底座。
已有真机数据可以直接换物体、换光照、换背景;真机难以触达的危险、极端、长尾场景,也可以直接生成。 两个模型的分工清晰:U0负责“造数据”——为机器人训练提供源源不断的合成样本;Robotics-1负责“干实事”——在真实环境中根据自然语言指令执行具体操作任务。
这套组合拳背后,是小米在AI赛道的持续重注。2026年,小米在AI领域的投入达到160亿元,未来三年累计投入不低于600亿元。
AI、芯片、OS被确立为三大核心技术方向。 开源,让更多机器人用上同一个“大脑” Xiaomi-Robotics-1的代码和模型权重将在近期全面开源。
这意味着,任何开发者都可以基于这个基座模型,用少量数据为自己的机器人本体完成适配。不用再从零开始训练一个“大脑”,只需在现成的基础上做微调。
在机器人领域,大语言模型所验证的规模法则能否同样适用于策略模型,一直是一个悬而未决的问题。机器人学习不仅需要理解视觉和语言指令,更要在真实的物理世界中完成具体的动作执行。
真实机器人数据的采集高度依赖于特定硬件、真实环境和人工遥操作,成本高昂且规模有限。Xiaomi-Robotics-1用10万小时的真实数据和两阶段训练范式,在这个问题上给出了一个有力的回答。
从仿真基准的领先表现到真实任务的“开箱即用”,从380亿参数的生成模型到即将开源的基座模型,小米正在用一套完整的技术栈,推动具身智能从实验室走向真实的物理世界。