7月16日上午，小米技术团队正式放出了他们的具身基座模型——Xiaomi-Robotics-1。该模型基于10万小时真实世界操作数据进行预训练，再通过跨本体的后训练，最终实现“开箱即用”的效果。换句话说，你拿到这个模型，不需要从头调参，直接就能在真实环境里干活。

项目主页地址：https://robotics.xiaomi.com/xiaomi-robotics-1.html

预训练阶段：10万小时数据与自动标注

这10万小时的轨迹数据，通过一个叫Universal Manipulation Interface（UMI）的设备采集。覆盖家庭、商业空间、工业场景、办公室、户外……几乎能想到的环境都包含在内，且记录了大量物体交互和操作动作。

数据量这么大，怎么标注？团队开发了一套自动标注流程：

• 将长轨迹切成固定长度的片段。

• 用视觉语言模型描述每个片段里夹爪的状态变化、交互物体的状态变化。

这样一来，模型就能学会根据当前的视觉观察和语言条件，生成能推动场景状态变化的动作。整套标注流程大约两周就能搞定10万小时的数据，效率相当可观。

训练范式：预训练 + 后训练

预训练的目标很明确——让模型学会通用的动作生成能力。给定当前视觉画面和一段语言描述，模型要预测出一串动作，让场景从当前状态变成目标状态。这就像看菜谱做菜：看到现状（一堆食材），听懂指令（“把土豆切成块”），然后生成手的动作序列，直到完成。

后训练阶段要解决两个对齐问题：

• 本体对齐：把预训练阶段从UMI数据上学到的动作生成能力，迁移到真实机器人本体上。说白了，电脑里模拟好了，得让真机器人也能做出来。

• 指令对齐：把“根据状态变化描述生成动作”的能力，转化为“根据人类自然语言指令执行任务”的能力。用户说“把桌上的杯子拿过来”，模型就得知道这对应什么动作序列。

为此，团队构建了约10000小时跨本体后训练数据，其中包括：

• 7200+小时移动操作机器人和双臂机器人数据

• 1000+小时人工标注UMI数据

• Bridge V2、RT-1、DROID等公开数据集

数据量够大，覆盖面也够广。

真实环境表现与任务适配

完成后训练后，Xiaomi-Robotics-1就能在真实环境中根据自然语言指令直接执行多种移动操作任务。如果碰上特别复杂、需要灵巧操作的任务，模型也能通过少量下游真实机器人数据快速微调，而不是从零开始学。这种“先训练通用基座，再用少量数据适配任务”的路线，对降低新任务的开发成本和训练成本很有帮助。

效果评测：多个基准测试领先

几个基准测试的数据很能说明问题：

• 在RoboCasa365基准中，平均成功率达到57.4%；在Composite-Unseen任务划分上，模型的任务组合泛化能力很强。

• 在RoboDojo仿真评测中，Xiaomi-Robotics-1以20.07的平均分数和13.93%的平均成功率登顶Leaderboard，大幅刷新了此前行业最优方法保持的纪录（13.07分/8.80%成功率）。

• 在VLABench中，模型也取得了最优表现（SoTA），平均成功率59.1%，平均进度得分70.3%。

• 在RoboCasa基准中，平均成功率达到74.5%，超过了RLDX-1、Cosmos Policy、GR00T N1.6、Pi-0.5、Pi-0-FAST等方法。

《夸克》非常好用的免费AI浏览器

下载APP查看