小米技术团队近日宣布，成功研发并推出具身基座模型Xiaomi-Robotics-1，为机器人领域带来新的突破。这一成果聚焦于解决机器人学习中的关键难题——如何让策略模型像大语言模型一样，从数据规模扩展中获得性能提升。
在机器人学习过程中，理解视觉和语言指令只是第一步，更关键的是要在真实物理世界中精准执行动作。然而，真实机器人数据的采集面临诸多挑战：不仅依赖特定硬件和真实环境，还需人工遥操作，导致成本高昂且数据规模受限。小米此次发布的Xiaomi-Robotics-1，正是围绕这一核心问题展开系统性探索的成果。
为突破数据规模瓶颈，团队在预训练阶段采用了10万小时的真实世界操作轨迹数据。这些数据通过通用操作接口设备采集，覆盖家庭、商业空间、工业场景、办公室及户外等多种环境，包含丰富的物体交互和操作行为。这种采集方式不依赖特定机器人本体，能高效获取真实操作过程。面对海量数据，团队构建了可规模化的自动标注流程：将长轨迹切分为固定长度片段，利用视觉语言模型描述夹爪和交互物体的状态变化，整个标注流程约两周即可完成。
Xiaomi-Robotics-1采用预训练加后训练的两阶段模式。预训练阶段，模型学习从视觉观察和语言描述生成动作序列的能力，推动场景状态向目标状态变化；后训练阶段则聚焦解决本体对齐和指令对齐问题，将预训练能力迁移至真实机器人本体，并转化为根据人类自然语言指令执行任务的能力。为此，团队构建了约10000小时的跨本体后训练数据，涵盖7200小时以上的移动操作机器人和双臂机器人数据，以及多个公开机器人数据集。
实验结果显示，当预训练数据规模从2.5千小时扩展至20千小时时，模型在验证集上的动作预测损失持续降低，过拟合风险下降，训练过程更稳定。在2B、5B、10B三个参数规模的对比中，更大尺寸的模型性能改善更显著。真实机器人评测覆盖鞋柜收纳、书包打包、桌面整理、沙发收拾等任务，结果表明，预训练阶段表现更优的模型，在后训练后的真实任务执行中成功率更高。
在复杂新任务适配方面，该模型仅需少量下游真实机器人数据即可高效微调。在每个任务平均训练数据不足10小时的情况下，其成功率大幅超越对比基线Pi-0.5。在RoboCasa365、RoboDojo和VLABench等多个公开仿真基准测试中，Xiaomi-Robotics-1均取得领先成绩，部分测试甚至登顶榜首。目前，该模型的代码与权重将陆续发布，项目主页已同步上线。
