小米技術官方於 7 月 16 日正式推出具身基座模型 Xiaomi-Robotics-1。該模型基於 10 萬小時的真實世界操作軌跡數據進行預訓練，並結合跨本體數據完成後訓練，展現出在未見過的真實環境中執行機器人任務的穩定規模化收益。同時，在應對複雜新任務的適配及多項仿真基準測試中，Xiaomi-Robotics-1 均取得了領先性能。
小米介紹，機器人領域中大語言模型所驗證的 Scaling Law 是否同樣適用於策略模型，一直是個懸而未決的問題。機器人學習不僅需要理解視覺和語言指令，還需要在真實的物理世界中完成具體的動作執行。然而，獲取真實機器人數據高度依賴特定硬件、真實環境及人工遙操作，這使成本高昂且規模有限。此次發布的 Xiaomi-Robotics-1 即針對這一關鍵問題展開了系統性的探索。
Xiaomi-Robotics-1 在機器人學習領域的突破性進展
為瞭解決數據規模瓶頸，團隊在預訓練階段使用了 10 萬小時的真實世界操作軌跡。這些數據通過通用操作接口設備採集，涵蓋家庭、商業空間、工業場景、辦公室及户外等多種環境，並包含大量物體交互和操作行為。該數據採集方式的優勢在於不依賴特定機器人本體，能夠高效獲取真實世界中的操作過程。
面對如此大規模的數據，團隊構建了可規模化的自動標註流程，將長軌跡切分為固定長度片段，並使用視覺語言模型對夾爪狀態變化和交互物體狀態變化進行描述。整個標註流程可在約兩周內完成。Xiaomi-Robotics-1 採用預訓練加後訓練的兩階段範式。在預訓練階段，模型學習從當前視覺觀察和語言描述生成動作序列的通用能力，使場景狀態向目標狀態變化。
後訓練階段則重點解決本體對齊和指令對齊兩個問題，將預訓練獲得的能力移轉至真實機器人本體上，並將基於狀態變化描述生成動作的能力轉化為根據人類自然語言指令執行任務的能力。為此，團隊構建了約 10000 小時的跨本體後訓練數據，其中包括 7200 小時以上的移動操作機器人和雙臂機器人數據，以及多個公開機器人數據集。
實驗結果顯示，隨著預訓練數據規模從 2.5 千小時逐步擴展至 20 千小時，模型在驗證集上的動作預測損失持續降低，過擬合風險下降，訓練過程更加穩定。同時，在 2B、5B、10B 三個參數規模的對比中，更大尺寸的模型同樣表現出持續的性能改善。真實機器人評測涵蓋鞋櫃收納、書包打包、桌面整理、沙發收拾等任務，結果顯示預訓練階段表現更好的模型在後訓練後的真實任務執行中也取得了更高的成功率。
在複雜新任務適配方面，模型通過少量下游真實機器人數據即可實現高效微調，每個任務平均訓練數據不足 10 小時的情況下，成功率大幅超越對比基線 Pi-0.5。此外，在 RoboCasa365、RoboDojo 和 VLABench 等多個公開仿真基準中，Xiaomi-Robotics-1 均登頂榜首或取得最佳成績。小米方面表示，該模型的代碼與權重將陸續發布，項目首頁已同步上線。
