小米于2026 年 2 月 12 日正式发布并开源Xiaomi-Robotics-0

一、核心信息速览

• 发布时间：2026 年 2 月 12 日
• 模型定位：开源 VLA（视觉 - 语言 - 动作）基座模型
• 参数规模：47 亿参数
• 核心能力：理解模糊指令 + 生成流畅、精准的物理动作
• 部署门槛：消费级显卡即可实时推理
• 开源范围：代码、权重、技术文档已开放

二、核心架构：大脑 + 小脑（MoT 混合架构）

1. 视觉语言大脑（VLM）
   • 理解模糊自然指令（如 “把毛巾叠好”）
   • 从高清视觉中提取空间关系、物体属性
   • 保留通用多模态能力（检测、问答、推理）
2. 动作执行小脑（Action Expert）
   • 基于Diffusion Transformer（DiT）
   • 输出 ** 动作块（Action Chunk）** 而非单步动作
   • 用 ** 流匹配（Flow-matching）** 保证精度（误差≤0.3mm）

三、关键技术突破

• 异步推理 +Λ-shape 注意力掩码解决推理延迟导致的 “动作断层”，让推理与机器人运行异步执行；强制模型聚焦当前视觉反馈，中断响应时间 **<80ms**。
• 两阶段训练
  1. 跨模态预训练：混合视觉 - 语言 + 动作数据，对齐语义与动作空间
  2. 后训练：冻结 VLM，专注训练 DiT 生成精准动作序列
• 海量训练数据
  • 2 亿 + 机器人轨迹数据
  • 8000 万 + 通用视觉 - 语言样本
  • 专项数据：338 小时乐高拆解、400 小时毛巾折叠

四、性能表现

• 仿真测试：在LIBERO、CALVIN、SimplerEnv三大基准中，所有细分项 SOTA
• 真机任务：积木拆解、毛巾折叠等长周期任务，手眼协调稳定、动作流畅
• CALVIN 长周期任务完成率：92%（行业平均约 67%）

五、行业意义

• 从硬件走向算法核心，补齐小米机器人 “大脑”
• 拉低具身智能落地门槛：消费级显卡即可部署
• 开源推动生态，加速家用 / 服务机器人的实用化