雷軍在微博上宣布，小米機(jī)器人團(tuán)隊(duì)正式推出并開源了一款全新的具身智能VLA模型——Xiaomi-Robotics-0，同時首次公開了該模型在真實(shí)機(jī)器人上的運(yùn)行畫面。這一發(fā)布標(biāo)志著小米在機(jī)器人領(lǐng)域邁出了重要一步，解決了多項(xiàng)行業(yè)長期存在的技術(shù)難題。

Xiaomi-Robotics-0擁有47億參數(shù)，集成了視覺語言理解與高性能實(shí)時執(zhí)行能力。該模型在三大主流仿真測試中表現(xiàn)優(yōu)異，全面超越行業(yè)標(biāo)桿，取得全項(xiàng)SOTA成績。更令人矚目的是，它在真實(shí)機(jī)器人上實(shí)現(xiàn)了流暢的動作表現(xiàn)，徹底改變了傳統(tǒng)機(jī)器人動作卡頓、反應(yīng)遲緩的形象。

傳統(tǒng)VLA模型面臨兩大核心挑戰(zhàn)：一是推理延遲高導(dǎo)致動作不連貫，二是依賴昂貴專業(yè)顯卡，硬件門檻高。這些問題使得先進(jìn)機(jī)器人技術(shù)難以走出實(shí)驗(yàn)室，無法在現(xiàn)實(shí)場景中廣泛應(yīng)用。Xiaomi-Robotics-0通過創(chuàng)新設(shè)計(jì)，成功突破了這些限制。

該模型最大的突破在于能在普通消費(fèi)級顯卡上實(shí)現(xiàn)實(shí)時推理，大幅降低了技術(shù)落地成本。這一特性使其區(qū)別于同類產(chǎn)品，為更多開發(fā)者和研究機(jī)構(gòu)提供了接觸前沿技術(shù)的機(jī)會。小米通過自研的Mixture-of-Transformers混合架構(gòu)，為機(jī)器人構(gòu)建了"雙腦協(xié)同系統(tǒng)"，有效解決了傳統(tǒng)模型存在的效率問題。

這個雙腦系統(tǒng)由視覺語言大腦（VLM）和動作執(zhí)行小腦（DiT）組成。VLM負(fù)責(zé)理解人類指令和環(huán)境信息，能夠準(zhǔn)確解析模糊指令中的空間關(guān)系和任務(wù)目標(biāo)；DiT則專注于將指令轉(zhuǎn)化為流暢動作，通過流匹配技術(shù)確保動作精準(zhǔn)穩(wěn)定。這種設(shè)計(jì)使機(jī)器人動作更加自然，接近人類操作水平。

研發(fā)團(tuán)隊(duì)采用兩階段訓(xùn)練方案提升模型性能。第一階段通過跨模態(tài)預(yù)訓(xùn)練，使模型在掌握動作技能的同時保持基礎(chǔ)認(rèn)知能力；第二階段通過后訓(xùn)練優(yōu)化，解決真機(jī)運(yùn)行中的動作斷層問題。這些技術(shù)改進(jìn)使機(jī)器人能夠穩(wěn)定完成疊毛巾、拆積木等復(fù)雜物理任務(wù)。

從公開的真機(jī)演示視頻可以看到，機(jī)器人處理柔性物體時表現(xiàn)出色，能夠自動調(diào)整動作策略完成疊放任務(wù)；操作剛性積木時手眼協(xié)調(diào)穩(wěn)定，動作精準(zhǔn)無誤。這種對不同材質(zhì)物體的適應(yīng)能力，展現(xiàn)了模型強(qiáng)大的物理智能和環(huán)境感知能力。

在Libero、Calvin、SimplerEnv等國際主流測試集中，Xiaomi-Robotics-0與超過30款主流模型對標(biāo)，在所有基準(zhǔn)測試中均取得最優(yōu)成績。這些數(shù)據(jù)證實(shí)了該模型在仿真環(huán)境和真實(shí)場景中的全面領(lǐng)先地位。

小米此次選擇將技術(shù)成果全量開源，包括技術(shù)文檔、GitHub代碼和Hugging Face模型權(quán)重全部公開。這一舉措打破了行業(yè)技術(shù)壁壘，使全球開發(fā)者都能免費(fèi)使用和二次開發(fā)相關(guān)資源，將加速具身智能技術(shù)的普及和應(yīng)用創(chuàng)新。

雷軍透露，小米已持續(xù)多年布局機(jī)器人領(lǐng)域，目前仍在全球招募頂尖人才。此次發(fā)布的Xiaomi-Robotics-0只是階段性成果，團(tuán)隊(duì)正在攻關(guān)下一代技術(shù)，未來將帶來更多創(chuàng)新突破。