小米公司近日在人工智能领域取得重要突破，其MiMo团队成功研发出全球首个打通自动驾驶与具身智能两大领域的跨具身基座模型——MiMo-Embodied。该模型不仅实现开源共享，更在29项基准测试中全面领先，标志着小米在空间智能领域的技术实力迈入新阶段。
这项由MiMo团队主导的研究，由新任负责人罗福莉博士领衔核心研发工作，智能驾驶首席科学家陈龙担任项目总负责人。研究团队通过创新性地将具身智能的室内操作能力与自动驾驶的户外场景理解相结合，成功构建出统一的多模态基础模型，有效解决了传统模型在跨领域迁移时面临的领域鸿沟问题。
技术架构方面，MiMo-Embodied采用三模块协同设计：视觉编码模块使用Vision Transformer处理单帧图像、多帧序列及视频输入；投影模块通过多层感知机将视觉特征映射至语言模型空间；核心推理模块则依托大语言模型实现文本理解与视觉信息的深度融合。这种设计使模型能够同时处理环境感知、空间推理和任务规划等复杂任务。
数据构建策略是该模型成功的关键。研究团队整合了三大维度数据：通用多模态数据涵盖图像、视频及长文本；具身智能数据包含可供性预测、任务规划等专项数据集；自动驾驶数据则涉及环境感知、交通预测等真实场景信息。通过这种跨领域数据融合，模型得以建立全面的环境认知能力。
训练策略采用渐进式四阶段方案：首阶段通过具身智能数据建立基础理解能力；第二阶段加入自动驾驶数据强化空间推理；第三阶段引入思维链训练提升复杂问题处理；最终通过强化学习优化决策精确度。这种训练方式使模型性能随阶段推进稳步提升，最终在各项测试中达到最优水平。
在具身智能测试中，模型在可供性预测和空间理解任务上表现突出，显著优于通用多模态模型和专用具身模型。自动驾驶测试显示，其在感知、预测和规划三大核心能力上均达到行业领先水平，特别是在复杂交通场景处理和动态物体交互方面展现卓越鲁棒性。
现实场景验证环节，模型在具身导航任务中展现出精准的对象定位能力，在操作任务中表现出强大的空间推理水平。自动驾驶测试中，模型成功完成交叉路口转弯、弯道掉头等高难度动作，其决策连贯性和场景适应性获得研究团队高度评价。特别是在复杂交互场景中，模型性能提升幅度超过基线模型30%。
这项突破性成果的研发团队阵容堪称豪华。项目负责人罗福莉博士作为95后AI领域新锐，先后在北京师范大学和北京大学完成本硕学业，曾在阿里巴巴达摩院主导多语言预训练模型开发，后加入DeepSeek参与标杆模型研发。智能驾驶首席科学家陈龙则拥有国际顶尖自动驾驶公司工作经历，曾主导端到端自动驾驶模型研发，在机器学习规划器预训练领域具有深厚积累。
