今日，小米在機(jī)器人領(lǐng)域拋出一枚重磅炸彈——小米機(jī)器人團(tuán)隊正式發(fā)布并開源全新具身智能VLA模型Xiaomi-Robotics-0，其真機(jī)運(yùn)行畫面首次對外公開，瞬間引發(fā)行業(yè)高度關(guān)注。

長久以來，機(jī)器人模型發(fā)展面臨諸多阻礙。一方面，傳統(tǒng)VLA模型雖參數(shù)規(guī)?？捎^、泛化能力不錯，但在真實物理世界中，推理延遲高的問題極為突出，導(dǎo)致機(jī)器人動作斷斷續(xù)續(xù)，如同“延遲卡頓的木偶”，難以像人類一樣自然流暢地操作，被網(wǎng)友戲稱為“反應(yīng)遲鈍的木頭人”。另一方面，具備高性能的模型往往依賴昂貴的專業(yè)顯卡才能運(yùn)行，普通開發(fā)者和小團(tuán)隊根本無力承擔(dān)，使得先進(jìn)技術(shù)只能被困在實驗室，無法實現(xiàn)落地普及。不少模型還存在“仿真測試成績優(yōu)異，一上真機(jī)就表現(xiàn)不佳”的尷尬狀況，無法穩(wěn)定完成疊毛巾、拆積木等真實物理任務(wù)，理論與實操嚴(yán)重脫節(jié)。

此次小米推出的Xiaomi-Robotics-0模型，正是為解決這些行業(yè)難題而來。該模型擁有47億參數(shù)規(guī)模，兼具視覺語言理解與高性能實時執(zhí)行能力。在Libero、Calvin、SimplerEnv三大全球主流具身智能測試集里，它對標(biāo)超過30款主流模型，在所有基準(zhǔn)測試中全部斬獲SOTA（State-of-the-Art，即當(dāng)前公開可驗證的最先進(jìn)、最高水平），真正實現(xiàn)了“仿真通、真機(jī)強(qiáng)、多模態(tài)能力不丟失”的重大突破。

Xiaomi-Robotics-0最具顛覆性的亮點(diǎn)在于，它能在普通消費(fèi)級顯卡上實現(xiàn)實時推理，一舉打破了高端機(jī)器人模型“只能實驗室跑、普通人用不起”的困境，大幅降低了具身智能技術(shù)的落地門檻。這意味著普通開發(fā)者無需斥巨資購買專業(yè)顯卡，也能讓模型穩(wěn)定運(yùn)行，為更多人參與機(jī)器人技術(shù)研發(fā)提供了可能。

小米能夠?qū)崿F(xiàn)這一突破，關(guān)鍵在于自研的Mixture-of-Transformers（MoT）混合架構(gòu)。這一架構(gòu)可看作是為機(jī)器人打造的“雙腦協(xié)同系統(tǒng)”，兼顧決策與執(zhí)行效率。其中，視覺語言大腦（VLM）負(fù)責(zé)理解人類指令和感知環(huán)境，即使面對“把毛巾疊好”這類模糊指令，也能精準(zhǔn)把握空間關(guān)系和任務(wù)目標(biāo)，保留了多模態(tài)理解能力，這是此前許多VLA模型所不具備的優(yōu)勢。動作執(zhí)行小腦（DiT）則專注于將指令轉(zhuǎn)化為流暢動作，生成連續(xù)的“動作塊”，并通過流匹配技術(shù)確保動作精準(zhǔn)穩(wěn)定，讓機(jī)器人告別機(jī)械卡頓，動作靈活度接近人類，從根源上解決了傳統(tǒng)模型動作斷層的問題。

為了讓機(jī)器人既“聰明”又“能干”，小米團(tuán)隊還設(shè)計了獨(dú)特的兩階段訓(xùn)練方案。在第一階段，通過跨模態(tài)預(yù)訓(xùn)練，讓模型在學(xué)習(xí)動作的同時，不丟失物體識別、視覺問答等基礎(chǔ)能力，避免出現(xiàn)“練了手工、廢了腦子”的情況。同時，利用Action Proposal機(jī)制使VLM的特征空間與動作空間對齊，為后續(xù)實操奠定基礎(chǔ)。在第二階段，通過后訓(xùn)練優(yōu)化，采用異步推理模式從機(jī)制上解決真機(jī)“動作斷層”問題，搭配Clean Action Prefix讓動作軌跡連續(xù)不抖動，借助Λ-shape Attention Mask讓機(jī)器人聚焦當(dāng)前視覺反饋、擺脫歷史慣性，即使環(huán)境發(fā)生變化，也能即時調(diào)整，大幅提升環(huán)境適配能力。

從曝光的真機(jī)視頻中可以直觀看到，Xiaomi-Robotics-0模型在處理不同物體時表現(xiàn)出色。面對軟塌塌的毛巾，它會先鋪平，再對折、整理整齊，對于多余的毛巾還會主動放回原位；面對剛性積木，它能穩(wěn)妥地一步步拆解，手眼協(xié)調(diào)極為穩(wěn)定，不會出現(xiàn)卡頓或失誤。無論是軟質(zhì)材料還是硬質(zhì)物件，都能從容應(yīng)對，充分展現(xiàn)了物理智能真正落地的成果。

值得一提的是，小米此次展現(xiàn)出了強(qiáng)大的格局，將Xiaomi-Robotics-0成果全量開源。技術(shù)主頁、GitHub開源代碼、Hugging Face模型權(quán)重全部公開，全球開發(fā)者都能免費(fèi)使用、進(jìn)行二次開發(fā)，相關(guān)資源可在各大平臺直接獲取。這一舉措徹底打破了大廠對具身智能核心技術(shù)的壟斷，讓原本高高在上的具身智能技術(shù)真正向行業(yè)敞開大門，普通開發(fā)者也能參與其中，加速整個行業(yè)的技術(shù)迭代。

雷軍在微博中透露，小米早已在機(jī)器人賽道深度布局，目前仍在全球招募頂尖人才，團(tuán)隊還在持續(xù)沖刺下一代技術(shù)。此次發(fā)布的Xiaomi-Robotics-0只是階段性研究成果，未來或許還會有更多驚喜等待著我們。