小米開源首代具身智慧VLA大模型 「Xiaomi-Robotics-0」刷新多項SOTA紀錄

電訊設備及智能手機製造商小米(01810)近年積極拓展人工智能及機器人領域。公司近日正式對外發布並開源其首代機器人VLA（Vision-Language-Action，即視覺語言動作）大模型，定名為「Xiaomi-Robotics-0」。此舉標誌著小米在具身智慧（Embodied Intelligence）領域邁出重要一步，市場關注其在推動相關技術發展方面的潛力。 小米創辦人雷軍在公開發文中指出，「Xiaomi-Robotics-0」是兼具視覺語言理解與高性能實時執行能力的具身智慧VLA模型。他續稱，模型在主流的Libero、Calvin和SimplerEnv等測試集上，包括所有基準測試及30種模型對比中，均取得當前最優異的成績，達到業界領先水平（State-of-the-Art，簡稱SOTA）。雷軍亦透露，小米很早便開始佈局機器人業務，並歡迎更多優秀人才加入其機器人團隊。 據介紹，這款大模型擁有高達47億參數，核心解決了傳統VLA模型在推理延遲及真機動作不連貫的行業痛點。其突出特點在於兼具視覺語言理解與高性能即時執行能力，可在消費級顯卡上實現即時推理，大幅降低了部署門檻。受消息帶動，模型在模擬測試和真實機器人任務中，已刷新多項SOTA紀錄，展現卓越效能。 小米技術部門透過官方渠道表示，「Xiaomi-Robotics-0」採用主流的Mixture-of-Transformers（MoT）架構，透過「視覺語言大腦（VLM）結合動作執行小腦（Action Expert）」的創新組合，實現「感知-決策-執行」的高效閉環，同時兼顧通用理解與精細動作控制。其中，「視覺語言大腦」以多模態VLM大模型為底座，能夠理解人類的模糊指令，例如「請把毛巾疊好」，並從高清視覺輸入中精準捕捉空間關係；而「動作執行小腦」則嵌入多層Diffusion Transformer（DiT），其設計並非直接輸出單一動作，而是生成一個「動作塊」（Action Chunk），並透過流匹配（Flow-matching）技術確保動作的精準度與流暢性。 為確保模型在學習精細動作的同時，不會丟失基礎的理解能力，小米特別設計了「跨模態預訓練結合後訓練」的兩階段訓練方法，使模型既具備廣泛的常識理解，又能精通複雜的體力操作。目前，小米已將「Xiaomi-Robotics-0」的技術主頁、開源代碼及模型權重全量開放，相關資源已可在GitHub、Hugging Face等主要開源平台獲取，以促進業界協作與發展。