小米推出“開箱即用”機器人基座模型 Xiaomi-Robotics-1，基於 10 萬小時數據訓練

小米技術於今日（7月16日）上午正式宣布推出具身基座模型 Xiaomi-Robotics-1，該模型基於 10 萬小時的真實世界操作數據進行預訓練，並結合跨本體後訓練技術，實現了具身基座模型的「開箱即用」特性。根據官方介紹，Xiaomi-Robotics-1 在預訓練階段使用了涵蓋家庭、商業空間、工業場景、辦公室、戶外等多種環境的真實世界操作軌跡，這些數據均透過 Universal Manipulation Interface（UMI）設備進行採集，內容包含大量物體交互與操作行為。為了確保數據標註的品質與效率，小米團隊建構了一套可規模化的自動標註流程。

該流程將長軌跡切分為固定長度片段，並利用視覺語言模型對片段中的夾爪狀態變化以及交互物體狀態變化進行描述。透過這種方式，模型能夠在當前視覺觀察與語言條件的引導下，學習生成能夠推動場景狀態變化的動作，整個標註過程可在約兩週內完成全量 10 萬小時數據的高品質處理。Xiaomi-Robotics-1 採用預訓練與後訓練的兩階段訓練範式。在預訓練階段，模型主要學習通用動作生成能力，當給定當前視覺觀察與語言描述時，模型需要預測一段動作序列，使場景從當前狀態向目標狀態轉變。

後訓練階段則著重解決兩個關鍵對齊問題：首先是本體對齊，將預訓練階段從 UMI 數據中獲得的動作生成能力，遷移到真實機器人本體上；其次是指令對齊，將「根據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。為完成後訓練階段的目標，小米團隊建構了約 10,000 小時的跨本體後訓練數據，其中包括超過 7,200 小時的移動操作機器人與雙臂機器人數據、1,000 小時以上的人工標註 UMI 數據，以及 Bridge V2、RT-1、DROID 等公開機器人數據集。在完成後訓練後，Xiaomi-Robotics-1 即可在真實環境中，根據自然語言指令直接執行多種移動操作任務。

對於複雜且需要靈巧操作的任務，Xiaomi-Robotics-1 可透過少量下游真實機器人數據進行高效微調，無需從零開始學習。這種「先訓練通用基座，再用少量數據適配任務」的模式，有助於大幅降低新任務開發的數據成本與訓練成本，讓機器人應用更加靈活且經濟。在評測表現方面，Xiaomi-Robotics-1 於 RoboCasa365 基準測試中達到 57.4% 的平均成功率，特別是在 Composite-Unseen 任務劃分上，展現出強大的任務組合泛化能力。在 RoboDojo 仿真評測中，Xiaomi-Robotics-1 以 20.07 的平均分數與 13.

93% 的平均成功率強勢登頂排行榜，大幅刷新了先前由業界最優方法保持的 13.07 分與 8.80% 成功率的紀錄。此外，在 VLABench 評測中，Xiaomi-Robotics-1 同樣取得了當前最佳（state-of-the-art）表現，平均成功率達到 59.1%，平均進度得分達到 70.3%。在 RoboCasa 基準測試中，Xiaomi-Robotics-1 的平均成功率達到 74.5%，優於 RLDX-1、Cosmos Policy、GR00T N1.6、Pi-0.5、Pi-0-FAST 等知名方法。

整體而言，Xiaomi-Robotics-1 的推出標誌著小米在具身智能領域的重要進展，透過大規模真實世界數據訓練與兩階段訓練範式，為機器人提供了更通用、更高效的基礎能力，未來有望在多種應用場景中加速落地與普及。