小米发布具身基座模型 Xiaomi-Robotics-1，基于 10 万小时数据实现"开箱即用"

小米技术今日发布具身基座模型 Xiaomi-Robotics-1，基于 10 万小时真实世界操作数据预训练，结合约 10000 小时跨本体后训练，实现根据自然语言指令直接执行移动操作任务。

在 RoboCasa365 基准中，该模型平均成功率达 57.4%；

在 RoboDojo 仿真评测中以 20.07 平均分数和 13.93% 平均成功率登顶 Leaderboard，大幅刷新此前纪录。

IT之家：https://www.ithome.com/ 7 月 16 日消息，小米技术今天（16 日）上午宣布，小米具身基座模型 Xiaomi-Robotics-1 正式发布，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，实现具身基座模型的“开箱即用”。

IT之家附项目主页地址： https://robotics.xiaomi.com/xiaomi-robotics-1.html ：https://robotics.xiaomi.com/xiaomi-robotics-1.html

根据介绍，Xiaomi-Robotics-1 在预训练阶段，使用了 10 万小时真实世界操作轨迹。这些数据通过 Universal Manipulation Interface（UMI）设备采集，覆盖家庭、商业空间、工业场景、办公室、户外等多类环境，包含大量物体交互和操作行为。

团队构建了可规模化的自动标注流程：将长轨迹切分为固定长度片段，并使用视觉语言模型对片段中的夹爪状态变化和交互物体状态变化进行描述。 模型由此学习在当前视觉观察和语言条件下，生成能够推动场景状态变化的动作 ，可在大约 2 周内完成全量 10 万小时数据的高质量标注。

Xiaomi-Robotics-1 采用预训练 + 后训练的两阶段训练范式。在预训练阶段，模型学习的是通用动作生成能力。给定当前视觉观察和语言描述，模型需要预测一段动作序列，使场景从当前状态向目标状态变化。

本体对齐：将预训练阶段从 UMI 数据中获得的动作生成能力，迁移到真实机器人本体上。

指令对齐：将“根据状态变化描述生成动作”的能力，转化为“根据人类自然语言指令执行任务”的能力。

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 等公开机器人数据集。

完成后训练后，Xiaomi-Robotics-1 即可在真实环境中，根据自然语言指令直接执行多类移动操作任务。

在复杂、灵巧操作任务上，模型可以通过少量下游真实机器人数据进行高效微调，而不是从零开始学习。这种“先训练通用基座，再用少量数据适配任务”的方式，有助于降低新任务开发的数据成本和训练成本。

根据介绍，在 RoboCasa365 基准中，Xiaomi-Robotics-1 达到 57.4% 的平均成功率；在 Composite-Unseen 任务划分上，模型表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 的平均分数和 13.93% 的平均成功率强势登顶 Leaderboard，大幅刷新了此前由行业最优方法保持的纪录（13.07 分 / 8.80% 成功率）。

在 VLABench 中，Xiaomi-Robotics-1 也取得了 state-of-the-art (SoTA) 的表现，平均成功率达到 59.1%，平均进度得分达到 70.3%。

在 RoboCasa 基准中，Xiaomi-Robotics-1 达到 74.5% 的平均成功率，超过 RLDX-1、Cosmos Policy、GR00T N1.6、Pi-0.5、Pi-0-FAST 等方法。