7月16日，小米正式发布机器人基座模型Xiaomi-Robotics-1。

　　这款模型基于10万小时真实世界操作数据完成预训练，结合跨本体后训练技术，真正实现了具身基座模型的「开箱即用」——不用针对每台机器人单独调优，就能直接理解自然语言指令并执行多种移动操作任务。

　　10万小时真实数据：从家庭到工厂的全方位训练

　　Xiaomi-Robotics-1最核心的底气来自数据量。研发团队通过通用操作接口设备UMI（Universal Manipulation Interface），采集了覆盖家庭、商业空间、工业场景、办公室及户外等多种环境的操作轨迹，总时长达到10万小时，包含大量物体交互和操作行为。为了高效处理这批海量数据，团队还构建了一套可规模化的自动标注流程：先将长操作轨迹切分为固定长度片段，再利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。整个标注过程仅需约两周，大幅提升了机器人训练数据的处理效率。

　　两阶段训练：从通用能力到指令落地

　　Xiaomi-Robotics-1采用「预训练+后训练」的两阶段训练范式。预训练阶段，模型主要学习通用动作生成能力——给定当前视觉观察和状态变化描述后，预测一段动作序列，让场景从当前状态向目标状态转变。后训练阶段则解决两大关键问题：一是本体对齐，把模型从UMI数据中学到的动作生成能力迁移到真实机器人本体上；二是指令对齐，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1万小时跨本体后训练数据，包括7200多小时移动操作机器人和双臂机器人数据、1000多小时人工标注UMI数据，以及Bridge V2、RT-1、DROID等公开机器人数据集。

　　此次Xiaomi-Robotics-1的发布，意味着小米在机器人「大脑」层面也有了自研基座模型的能力。10万小时真实数据+两阶段训练的技术路线，不仅让模型在多项基准测试中领跑，更重要的是降低了机器人落地的适配门槛——当机器人真正做到「开箱即用」，具身智能走进千家万户的步伐或许会比我们想象中更快。