小米开源首代机器人VLA大模型，突破具身智能延迟瓶颈
发布日期：2026年2月12日
阅读时长：约4分钟
核心摘要
小米公司正式开源了其第一代机器人模型 Xiaomi-Robotics-0。该模型参数量达 47亿，旨在解决现有VLA（视觉-语言-动作）模型因推理延迟导致的机器人动作缓慢问题，实现了在消费级GPU上的实时推理与高效泛化。
技术架构：大脑与小脑协同
为平衡通用理解与高频控制，模型采用了创新的 MoT（Mixture-of-Transformers）混合架构：
- 视觉-语言大脑：作为基础，负责解析模糊的人类指令并捕捉高清视觉中的空间关系。
- 动作执行小脑：嵌入多层扩散Transformer，通过流匹配技术生成精确的“动作块”，确保物理执行的灵活性。
训练策略：两阶段进化理论
研发团队通过严谨的训练方案平衡模型的常识理解与物理操作能力：
- 跨模态预训练：引入“动作提议”机制，使VLM在保持逻辑推理能力的同时，对齐特征空间与动作空间。随后冻结VLM，专门训练DiT以生成平滑的动作序列。
- 后训练：为解决真机运行时的“动作不连续”问题，采用异步推理模式。结合“干净动作前缀”（确保轨迹连续）和“λ形注意力掩码”（强制关注当前视觉反馈），使机器人在面对突发环境变化时具备强大的响应敏捷性。
性能表现：打破多项SOTA记录
在测试中，Xiaomi-Robotics-0展现了卓越性能：
- 仿真基准测试：在LIBERO、CALVIN和SimplerEnv三大仿真测试中，击败了30个对比模型，取得了当前最佳结果。
- 真机泛化能力：在双臂机器人平台上，无论是拆卸积木还是折叠柔性毛巾，模型都表现出高度的手眼协调和物理泛化能力。
开源生态
小米此次全面开放了技术资源，旨在通过社区力量共同推动具身智能边界：
- 技术主页：
https://github.com/XiaomiRobotics - 开源代码：
https://github.com/XiaomiRobotics/Xiaomi-Robotics-0 - 模型权重：已在Hugging Face平台发布。
本文信息整理自AIbase，发布日期为2026年2月12日。
