小米技术团队近日正式对外发布了其最新研发的具身基座模型——Xiaomi-Robotics-1。这一成果标志着小米在机器人策略模型领域迈出了重要一步，为解决机器人学习中的关键问题提供了新的思路。
在机器人技术领域，一个长期存在的疑问是：大语言模型所验证的Scaling Law能否同样适用于策略模型？机器人学习不仅需要理解复杂的视觉和语言指令，更要在真实的物理环境中精准执行动作。然而，真实机器人数据的采集往往受限于特定硬件、环境以及人工遥操作的高昂成本，导致数据规模有限，难以支撑大规模模型的训练。
小米此次发布的Xiaomi-Robotics-1模型，正是针对这一挑战进行的系统性探索。为了突破数据规模的瓶颈，研究团队在预训练阶段使用了高达10万小时的真实世界操作轨迹数据。这些数据通过通用操作接口设备采集，覆盖了家庭、商业空间、工业场景、办公室以及户外等多种环境，包含了丰富的物体交互和操作行为，为模型提供了多样化的学习样本。
为了高效处理如此大规模的数据，小米团队构建了一套可规模化的自动标注流程。该流程将长轨迹切分为固定长度的片段，并利用视觉语言模型对夹爪状态变化和交互物体状态变化进行描述，从而实现了快速且准确的标注。整个标注过程仅需约两周时间，大大提高了数据处理的效率。
Xiaomi-Robotics-1模型采用了预训练加后训练的两阶段范式。在预训练阶段，模型学习从当前视觉观察和语言描述生成动作序列的通用能力，以推动场景状态向目标状态变化。而后训练阶段则专注于解决本体对齐和指令对齐两个核心问题，将预训练获得的能力迁移到真实机器人本体上，并使模型能够根据人类自然语言指令执行任务。
为了支持后训练阶段的需求，小米团队还构建了约10000小时的跨本体后训练数据集，其中包括7200小时以上的移动操作机器人和双臂机器人数据，以及多个公开机器人数据集。这些数据为模型提供了丰富的跨本体学习经验，有助于提升模型的泛化能力。
实验结果显示，随着预训练数据规模的扩大，模型在验证集上的动作预测损失持续降低，过拟合风险下降，训练过程更加稳定。同时，在2B、5B、10B三个参数规模的对比中，更大尺寸的模型表现出了持续的性能改善。在真实机器人评测中，预训练阶段表现优异的模型在后训练后的真实任务执行中也取得了更高的成功率，覆盖了鞋柜收纳、书包打包、桌面整理、沙发收拾等多种任务。
Xiaomi-Robotics-1模型在复杂新任务适配方面也展现出了强大的能力。通过少量下游真实机器人数据即可实现高效微调，每个任务平均训练数据不足10小时的情况下，成功率大幅超越了对比基线。在多个公开仿真基准测试中，该模型均取得了领先成绩，进一步验证了其卓越的性能和泛化能力。
小米方面表示，Xiaomi-Robotics-1模型的代码与权重将陆续发布，项目主页也已同步上线，供全球研究者共同探索和改进。
