今日，小米在机器人领域抛出一枚重磅炸弹——小米机器人团队正式发布并开源全新具身智能VLA模型Xiaomi-Robotics-0，其真机运行画面首次对外公开，瞬间引发行业高度关注。
长久以来，机器人模型发展面临诸多阻碍。一方面，传统VLA模型虽参数规模可观、泛化能力不错，但在真实物理世界中，推理延迟高的问题极为突出，导致机器人动作断断续续，如同“延迟卡顿的木偶”，难以像人类一样自然流畅地操作，被网友戏称为“反应迟钝的木头人”。另一方面，具备高性能的模型往往依赖昂贵的专业显卡才能运行，普通开发者和小团队根本无力承担，使得先进技术只能被困在实验室，无法实现落地普及。不少模型还存在“仿真测试成绩优异，一上真机就表现不佳”的尴尬状况，无法稳定完成叠毛巾、拆积木等真实物理任务，理论与实操严重脱节。
此次小米推出的Xiaomi-Robotics-0模型，正是为解决这些行业难题而来。该模型拥有47亿参数规模，兼具视觉语言理解与高性能实时执行能力。在Libero、Calvin、SimplerEnv三大全球主流具身智能测试集里，它对标超过30款主流模型，在所有基准测试中全部斩获SOTA（State-of-the-Art，即当前公开可验证的最先进、最高水平），真正实现了“仿真通、真机强、多模态能力不丢失”的重大突破。
Xiaomi-Robotics-0最具颠覆性的亮点在于，它能在普通消费级显卡上实现实时推理，一举打破了高端机器人模型“只能实验室跑、普通人用不起”的困境，大幅降低了具身智能技术的落地门槛。这意味着普通开发者无需斥巨资购买专业显卡，也能让模型稳定运行，为更多人参与机器人技术研发提供了可能。
小米能够实现这一突破，关键在于自研的Mixture-of-Transformers（MoT）混合架构。这一架构可看作是为机器人打造的“双脑协同系统”，兼顾决策与执行效率。其中，视觉语言大脑（VLM）负责理解人类指令和感知环境，即使面对“把毛巾叠好”这类模糊指令，也能精准把握空间关系和任务目标，保留了多模态理解能力，这是此前许多VLA模型所不具备的优势。动作执行小脑（DiT）则专注于将指令转化为流畅动作，生成连续的“动作块”，并通过流匹配技术确保动作精准稳定，让机器人告别机械卡顿，动作灵活度接近人类，从根源上解决了传统模型动作断层的问题。
为了让机器人既“聪明”又“能干”，小米团队还设计了独特的两阶段训练方案。在第一阶段，通过跨模态预训练，让模型在学习动作的同时，不丢失物体识别、视觉问答等基础能力，避免出现“练了手工、废了脑子”的情况。同时，利用Action Proposal机制使VLM的特征空间与动作空间对齐，为后续实操奠定基础。在第二阶段，通过后训练优化，采用异步推理模式从机制上解决真机“动作断层”问题，搭配Clean Action Prefix让动作轨迹连续不抖动，借助Λ-shape Attention Mask让机器人聚焦当前视觉反馈、摆脱历史惯性，即使环境发生变化，也能即时调整，大幅提升环境适配能力。
从曝光的真机视频中可以直观看到，Xiaomi-Robotics-0模型在处理不同物体时表现出色。面对软塌塌的毛巾，它会先铺平，再对折、整理整齐，对于多余的毛巾还会主动放回原位；面对刚性积木，它能稳妥地一步步拆解，手眼协调极为稳定，不会出现卡顿或失误。无论是软质材料还是硬质物件，都能从容应对，充分展现了物理智能真正落地的成果。
值得一提的是，小米此次展现出了强大的格局，将Xiaomi-Robotics-0成果全量开源。技术主页、GitHub开源代码、Hugging Face模型权重全部公开，全球开发者都能免费使用、进行二次开发，相关资源可在各大平台直接获取。这一举措彻底打破了大厂对具身智能核心技术的垄断，让原本高高在上的具身智能技术真正向行业敞开大门，普通开发者也能参与其中，加速整个行业的技术迭代。
雷军在微博中透露，小米早已在机器人赛道深度布局，目前仍在全球招募顶尖人才，团队还在持续冲刺下一代技术。此次发布的Xiaomi-Robotics-0只是阶段性研究成果，未来或许还会有更多惊喜等待着我们。
