7月16日上午，小米技术团队正式发布了其具身基座模型——Xiaomi-Robotics-1。该模型的核心亮点在于，它基于10万小时真实世界操作数据进行预训练，再通过跨本体后训练，最终实现了“开箱即用”的效果。简而言之，用户拿到模型后无需从头调整参数，即可直接在真实环境中执行操作任务。

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

首先剖析预训练阶段。这10万小时的轨迹数据，是通过一个名为Universal Manipulation Interface（UMI）的数据采集设备获取的。覆盖了家庭、商业空间、工业场景、办公室、户外……各类常见场景，并记录了海量的物体交互与操作动作。数据量如此庞大，如何完成标注？团队开发了一套自动化标注流程：将长轨迹切分为固定长度的片段，再利用视觉语言模型（VLM）描述每个片段中夹爪的状态变化以及交互物体的状态变化。这样一来，模型能够根据当前的视觉观察和语言条件，生成推动场景状态变化的动作。整套标注流程大约两周即可完成10万小时的数据处理，效率非常出色。

训练框架分为两个阶段：预训练+后训练。预训练的目标十分清晰——让模型掌握通用的动作生成能力。给定当前视觉画面和一段语言描述，模型需要预测出一系列动作，使场景从当前状态转化至目标状态。这个过程类似于对照菜谱烹饪：看到现状（一堆食材），理解指令（“把土豆切成块”），然后生成手的动作序列，直至任务完成。

后训练阶段需要解决两个对齐问题：

• 本体对齐：将预训练阶段从UMI数据中学到的动作生成能力，迁移到真实机器人本体上。简单来说，在虚拟环境中模拟完成后，需要让真实机器人同样能够执行。

• 指令对齐：把“根据状态变化描述生成动作”的能力，转换为“根据人类自然语言指令执行任务”的能力。例如当用户说“把桌上的杯子拿过来”，模型需要知道对应的动作序列是什么。

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，以及Bridge V2、RT-1、DROID等公开数据集。数据规模庞大，覆盖范围广泛。

完成后续训练后，Xiaomi-Robotics-1即可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。若遇到特别复杂、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进行快速微调，无需从头学习。这种“预训练通用基座，再以少量数据适配任务”的策略，能显著降低新任务的开发与训练成本。

效果如何？几个基准测试的数据很能说明问题：

在RoboCasa365基准测试中，平均成功率为57.4%；在Composite-Unseen任务划分上，模型展现出强大的任务组合泛化能力。

在RoboDojo仿真评测中，Xiaomi-Robotics-1以20.07的平均得分和13.93%的平均成功率登顶排行榜，大幅超越了此前行业最优方法保持的纪录（13.07分/8.80%成功率）。

在VLABench评测中，该模型同样取得了最优表现（SoTA），平均成功率达到59.1%，平均进度得分70.3%。

在RoboCasa基准测试中，平均成功率高达74.5%，超越了RLDX-1、Cosmos Policy、GR00T N1.6、Pi-0.5、Pi-0-FAST等同类方法。