小米开源首款机器人 VLA 大模型，攻克“物理智能”延迟难题

 具身智能（Embodied AI）领域迎来重要进展。小米正式对外开源其首代机器人大模型 Xiaomi-Robotics-0。该模型参数规模达 47亿，针对当前 VLA（视觉-语言-动作）模型因推理时延导致机器人动作反应慢的问题，实现在消费级显卡上的实时推理与高效泛化。

核心架构:大脑与小脑的协同

为兼顾通用理解与高频控制，Xiaomi-Robotics-0 采用创新的 MoT（Mixture-of-Transformers）混合架构:

• 视觉语言大脑（VLM）: 作为基座，负责理解人类模糊指令，并从高清画面中抓取精细的空间关系。

• 动作执行小脑（Action Expert）: 内部引入多层 Diffusion Transformer（DiT），通过流匹配（flow matching）方法生成精准的“动作块（Action Chunk）”，保证物理执行的灵活与稳定。

训练秘籍:两阶段进化论

小米团队以严谨的训练流程，兼顾常识理解与实体操作能力:

1. 跨模态预训练: 通过 Action Proposal 机制，让 VLM 在保持逻辑推理能力的同时，实现特征空间与动作空间的对齐。随后冻结 VLM，针对 DiT 专项训练，以生成平滑且连贯的动作序列。

2. 后训练（Post-training）: 面向真机运行中常见的“动作断层”问题，采用异步推理模式。结合 Clean Action Prefix（确保轨迹连续性）与 Λ-shape Attention Mask（强化对当前视觉反馈的关注），使机器人在环境突发变化时具备更强的快速响应能力。

实战表现:刷新多项 SOTA

在多重测试中，Xiaomi-Robotics-0 展现出强劲实力:

• 仿真标杆: 在 LIBERO、CALVIN 和 SimplerEnv 三大主流仿真评测中，超过了 30 种对比方法，均取得当前最优成绩（SOTA）。

• 真机泛化: 在双臂机器人平台上，无论是拆装积木还是折叠柔软毛巾，模型都展现出极高的手眼协同与物理泛化能力。

开源生态

此次小米全面开放相关技术资源，包括 技术主页、开源代码 以及在 Hugging Face 发布的 模型权重，希望携手社区推动具身智能的边界。

• 技术主页:https://xiaomi-robotics-0.github.io
• 开源代码:https://github.com/XiaomiRobotics/Xiaomi-Robotics-0
• 模型权重:https://huggingface.co/XiaomiRobotics