小米機(jī)器人團(tuán)隊(duì)近日宣布，正式開源其最新研發(fā)的具身智能VLA模型——Xiaomi-Robotics-0。該模型以47億參數(shù)的規(guī)模，結(jié)合MoT混合架構(gòu)，通過(guò)多模態(tài)VLM大模型作為基礎(chǔ)，并嵌入多層DiT結(jié)構(gòu)，實(shí)現(xiàn)了通用理解與精細(xì)控制的雙重突破。

在性能測(cè)試中，Xiaomi-Robotics-0展現(xiàn)出顯著優(yōu)勢(shì)。該模型在Libero、Calvin和SimplerEnv等主流測(cè)試集上，與30種同類模型對(duì)比后，均取得當(dāng)前最優(yōu)成績(jī)。更值得關(guān)注的是，其消費(fèi)級(jí)硬件即可支持實(shí)時(shí)推理，為機(jī)器人技術(shù)的大規(guī)模應(yīng)用提供了可能。

針對(duì)傳統(tǒng)VLA模型普遍存在的推理延遲問(wèn)題，研發(fā)團(tuán)隊(duì)創(chuàng)新性地采用異步推理模式與Λ-shape Attention Mask機(jī)制。這一設(shè)計(jì)有效解決了“動(dòng)作斷層”現(xiàn)象，使機(jī)器人在執(zhí)行積木拆解、疊毛巾等復(fù)雜任務(wù)時(shí)，能夠保持動(dòng)作連貫性并快速響應(yīng)環(huán)境變化。實(shí)驗(yàn)數(shù)據(jù)顯示，該模型在真實(shí)場(chǎng)景中的手眼協(xié)調(diào)能力顯著提升。

技術(shù)架構(gòu)方面，Xiaomi-Robotics-0通過(guò)跨模態(tài)預(yù)訓(xùn)練框架，在保留物體檢測(cè)、視覺(jué)問(wèn)答等基礎(chǔ)能力的同時(shí)，實(shí)現(xiàn)了多模態(tài)信息的深度融合。這種設(shè)計(jì)既保證了模型對(duì)復(fù)雜指令的理解能力，又通過(guò)分層控制機(jī)制確保了動(dòng)作執(zhí)行的精準(zhǔn)度，為具身智能的落地應(yīng)用開辟了新路徑。