小米技术近日正式推出其具身基座模型Xiaomi-Robotics-1，该模型基于10万小时真实世界操作数据预训练，结合跨本体后训练技术，实现了“开箱即用”的机器人操作能力。这一突破标志着小米在机器人领域迈出了重要一步，为复杂环境下的自主操作提供了新的解决方案。
Xiaomi-Robotics-1的预训练阶段采用了Universal Manipulation Interface（UMI）设备采集的真实操作轨迹数据，覆盖家庭、商业空间、工业场景、办公室及户外等多类环境。这些数据包含丰富的物体交互和操作行为，为模型提供了全面的学习基础。团队还构建了可规模化的自动标注流程，通过将长轨迹切分为固定长度片段，并利用视觉语言模型描述夹爪和物体状态变化，仅需约2周即可完成全量数据的高质量标注。
该模型采用预训练与后训练的两阶段范式。预训练阶段重点学习通用动作生成能力，即根据视觉观察和语言描述预测动作序列，推动场景状态变化。后训练阶段则解决两个关键对齐问题：一是本体对齐，将预训练能力迁移至真实机器人本体；二是指令对齐，使模型能够理解并执行人类自然语言指令。为此，团队构建了约1万小时跨本体后训练数据，涵盖移动操作机器人、双臂机器人及公开数据集。
完成训练后，Xiaomi-Robotics-1可直接在真实环境中根据自然语言指令执行多类移动操作任务。对于复杂或灵巧操作任务，模型仅需少量真实机器人数据进行微调，即可快速适配新任务，显著降低了数据和训练成本。这种“先训练通用基座，再适配具体任务”的模式，为机器人技术的规模化应用提供了新思路。
在性能评估方面，Xiaomi-Robotics-1在多个基准测试中表现优异。在RoboCasa365基准中，模型平均成功率达57.4%，并在Composite-Unseen任务划分中展现出强大的任务组合泛化能力。在RoboDojo仿真评测中，模型以20.07的平均分数和13.93%的平均成功率登顶Leaderboard，刷新了行业纪录。在VLABench和RoboCasa基准中，模型分别取得59.1%和74.5%的平均成功率，超越了RLDX-1、Cosmos Policy等主流方法。
