小米科技在机器人领域实现重大突破，其机器人团队近日正式开源发布全新具身智能VLA模型Xiaomi-Robotics-0，并首次对外公开真机运行画面，迅速引发科技界高度关注。该模型凭借47亿参数规模，不仅具备强大的视觉语言理解能力，还能实现高性能实时执行，为机器人技术发展注入新动能。
在Libero、Calvin、SimplerEnv三大全球主流具身智能测试集中，Xiaomi-Robotics-0对标超过30款主流模型，在所有基准测试中均取得SOTA（State-of-the-Art）成绩，全面超越行业标杆。这一成果不仅体现在仿真环境中的卓越表现，更在真实机器人上实现了流畅动作，标志着小米在机器人领域取得关键性进展。
传统机器人模型长期面临推理延迟高、动作不连贯、硬件门槛高等核心痛点。高性能模型往往需要依赖昂贵的专业显卡，限制了技术普及与应用。而Xiaomi-Robotics-0的创新之处在于，它能在普通消费级显卡上实现实时推理，大幅降低具身智能技术的落地门槛，让更多开发者和团队能够接触并应用这一先进技术。
小米自研的Mixture-of-Transformers（MoT）混合架构为机器人赋予“双脑协同系统”，从根本上解决了传统模型动作断层的难题。视觉语言大脑（VLM）负责理解人类指令和环境信息，精准把握空间关系和任务目标；动作执行小脑（DiT）则将指令转化为流畅动作，确保精准稳定。这一架构使机器人动作更加接近人类灵活度，显著提升操作自然性。
为进一步提升模型性能，小米团队设计了两阶段训练方案。通过跨模态预训练和后训练优化，模型在学习动作的同时保持基础能力，并大幅提升环境适配能力。从公开的真机视频中可见，无论是处理柔性物体如毛巾，还是操作刚性积木，机器人均能稳定完成，手眼协调无卡顿或失误，展现出强大的环境适应能力。
此次发布中，小米展现开放格局，将成果全量开源。技术主页、GitHub开源代码及Hugging Face模型权重全部公开，全球开发者均可免费使用并进行二次开发。这一举措打破了大厂对具身智能核心技术的垄断，为行业技术迭代提供强大助力，推动整个领域向更开放、更创新的方向发展。
