Rain科技2月12日消息，小米又带来了重磅新品。
今日，雷军在微博上公布了一项重大的技术突破：小米机器人团队正式发布并开源了全新的具身智能VLA（视觉-语言-动作）模型——Xiaomi-Robotics-0。这是该模型真机运行画面首次对外公开。
此次的发布不仅仅是一次简单的技术迭代，更是小米在机器人领域寻求突破的关键一步。Xiaomi-Robotics-0拥有47亿参数规模，集成了强大的视觉语言理解能力和高性能的实时执行能力。在业界三大主流仿真测试中，该模型表现出色，全面超越了现有行业标杆，获得了所有SOTA（State-of-the-Art）的顶尖成绩，并且已经在真实机器人上实现了流畅自然的动作表现。
其中最令人瞩目的创新在于，该模型首次实现了在普通消费级显卡上的实时推理。这直接解决了当前高端机器人模型“只存在于实验室，普通用户难以负担”的难题，是其区别于同类产品的一大核心优势。
许多人可能好奇，当前机器人模型在发展过程中，究竟面临哪些主要的瓶颈？
当前行业普遍存在两个长期未解决的核心痛点：
首先，是“推理延迟高、动作不连贯”的问题。传统的VLA模型虽然在参数规模和泛化能力方面有所提升，但在实际物理环境中，庞大的推理计算量导致机器人动作迟缓，显得“卡顿”、“断断续续”，无法像人类一样进行自然的操作，被网友戏称为“反应迟钝的木头人”。
其次，是“硬件门槛极高”的问题。大多数高性能的机器人模型运行都需要依赖价格昂贵的专业级显卡，这使得普通开发者和小型团队难以触及，导致先进技术长时间被局限于实验室环境，难以实现广泛的商业化落地。
此外，还有一个普遍存在的难题是“仿真测试成绩亮眼，真机执行表现逊色”。不少模型在仿真环境中表现优异，但在实际的物理任务中，如叠毛巾、拆积木等，却难以稳定完成，导致理论与实际操作脱节。而小米此次发布的Xiaomi-Robotics-0，正是为了解决这些困扰行业的顽疾而生。
小米官方明确表示：“Xiaomi-Robotics-0是一款拥有47亿参数、集视觉语言理解与高性能实时执行能力于一体的开源VLA模型。它不仅在三大主流仿真测试中取得了优异成绩，更在真实机器人任务中实现了物理智能的泛化——动作连贯、反应灵敏，并能在消费级显卡上实现实时推理。”
这句话精准地概括了模型的核心优势。尤其值得强调的是，无需配备高端计算设备或斥巨资购买专业显卡，普通的消费级显卡即可稳定运行该模型，这是小米此次最具突破性的成果之一，极大地降低了具身智能技术的应用门槛。
Xiaomi-Robotics-0之所以能取得如此成就，核心在于小米自主研发的Mixture-of-Transformers（MoT）混合架构。打个比方，这就像是为机器人配备了一个“双脑协同系统”，能够同时兼顾决策和执行的效率。
一个部分是视觉语言大脑（VLM），它负责理解人类的指令和感知周围的环境。即使是“把毛巾叠好”这样相对模糊的指令，它也能精准地理解空间关系和任务目标，保留了VLM本身强大的多模态理解能力，这是许多早期VLA模型所不具备的优势。
另一个部分是动作执行小脑（DiT），它专门负责将指令转化为流畅自然的动作。它能够生成连续流畅的“动作块”，并通过流匹配技术保证动作的精准性和稳定性，从而使机器人摆脱机械的卡顿，动作的灵活性接近人类水平，从根本上解决了传统模型动作“断层”的痛点。
为了让机器人同时具备“聪明”和“能干”的特质，团队还设计了独特的两阶段训练方案。
首先，通过跨模态预训练，使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“重身体轻脑袋”的情况。同时，通过Action Proposal机制，将VLM的特征空间与动作空间进行对齐，为后续的实际操作打下坚实基础。
其次，通过后训练优化，利用异步推理模式从机制上解决真机操作中的“动作断层”问题。结合Clean Action Prefix技术，确保动作轨迹的连续性和稳定性，避免抖动。而Λ-shape Attention Mask则帮助机器人聚焦于当前的视觉反馈，摆脱历史惯性的影响，即使环境发生微小变化，也能及时调整，显著提升了其在复杂环境中的适应能力。
分拣不同颜色的积木
将大块积木逐步拆成小块
将毛巾摊平-叠好
主动将多余毛巾放回以进行叠放
从此次曝光的真机运行视频中，我们可以直观地看到，面对柔软易变形的毛巾，机器人能够精准地将其铺平、对折、整理整齐，甚至会将多余的部分主动放回原位。
而对于刚性的积木，机器人能够实现稳妥的逐步拆解，其手眼协调能力表现得极为稳定，没有出现任何卡顿或失误。无论是处理柔软材料还是硬质物件，机器人都能够从容应对，这正是物理智能真正落地的直观体现，也是小米此次技术突破的核心价值所在。
在Libero、Calvin、SimplerEnv三大全球主流的具身智能测试集上，Xiaomi-Robotics-0与超过30款主流模型进行了对比。结果显示，在所有关键基准测试中，它都达到了SOTA水平，用实实在在的数据证明了其在行业内的领先地位，成功实现了“仿真测试表现优异、真机运行强大、多模态能力保持完整”的突破。
相比于技术本身的强大，小米此次更展现了开放共赢的格局：这项技术已实现全量开源。技术主页、GitHub开源代码以及Hugging Face模型权重全部公开，这意味着全球的开发者都可以免费使用，甚至进行二次开发。相关资源可在各大平台便捷获取，此举彻底打破了大型科技公司在具身智能核心技术上的垄断。
这意味着，原本高高在上的具身智能技术，正以前所未有的方式向整个行业敞开大门。它不再是大厂的专属“玩具”，普通开发者也能深度参与其中，从而加速整个机器人技术迭代的进程。
雷军也在微博上透露，小米在机器人领域早已进行了深度布局，并且仍在全球范围内积极招募顶尖人才。团队正持续为下一代技术发力，此次发布的Xiaomi-Robotics-0仅仅是一个阶段性的研究成果，未来还将会有更多令人期待的突破。
当机器人不再仅仅是演示用的、动作卡顿的道具，而是能够动作流畅、反应灵敏，并且能在消费级硬件上轻松运行的真实产品时，“家用机器人走进千家万户”的愿景，似乎正在加速变为触手可及的现实。
