小米技术于 7 月 16 日上午公布了其具身基座模型 Xiaomi-Robotics-1。该模型通过10 万小时的真实世界操作数据进行预训练，并结合跨本体后训练，实现了“开箱即用”的具身基座模型功能。

项目主页地址为：https://robotics.xiaomi.com/xiaomi-robotics-1.html

Xiaomi-Robotics-1 在其预训练阶段，运用了 10 万小时的真实世界操作轨迹数据。这些数据是通过 Universal Manipulation Interface（UMI）设备收集的，涵盖了家庭、商业场所、工业环境、办公室以及户外等多种场景，并包含了丰富的物体交互和操作行为。

该团队开发了一套可扩展的自动化标注流程，将长轨迹数据分割成固定长度的片段，并利用视觉语言模型对片段中夹爪状态和交互物体状态的变化进行描述。通过这一流程，模型能够学习在当前的视觉观察和语言指令下，生成能够改变场景状态的动作。该标注过程可在约 2 周内完成全部 10 万小时数据的质量标注。

Xiaomi-Robotics-1 采用了预训练与后训练相结合的两阶段训练模式。预训练阶段，模型专注于学习通用的动作生成能力，即根据当前的视觉观察和语言描述，预测一系列动作序列以使场景从初始状态过渡到目标状态。

后训练阶段则着重解决两个关键的对齐问题：

• 本体对齐：将预训练阶段从 UMI 数据中获得的动作生成能力，迁移并应用于真实的机器人本体。
• 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 小时的跨本体后训练数据，其中包括超过 7200 小时的移动操作机器人和双臂机器人数据，1000 多小时的人工标注 UMI 数据，以及 Bridge V2、RT-1、DROID 等公开的机器人数据集。

完成这些后训练后，Xiaomi-Robotics-1 能够在真实环境中，依据自然语言指令直接执行多种移动操作任务。

对于复杂的、需要精细操作的任务，该模型可以通过少量下游真实机器人数据进行高效微调，而无需从头开始学习。这种“先训练通用基座，再用少量数据适配任务”的方法，有助于降低新任务开发所需的数据和训练成本。

根据介绍，在 RoboCasa365 基准测试中，Xiaomi-Robotics-1 取得了 57.4% 的平均成功率。在 Composite-Unseen 任务划分下，该模型展现了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% 的平均成功率位居排行榜首位，显著超越了此前行业最优方法所保持的纪录（13.07 分 / 8.80% 成功率）。

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

在 RoboCasa 基准测试中，Xiaomi-Robotics-1 的平均成功率为 74.5%，其表现优于 RLDX-1、Cosmos Policy、GR00T N1.6、Pi-0.5、Pi-0-FAST 等其他方法。