在智能机器人领域，真正的“通用性”一直是研究者追逐的圣杯。小米技术近日推出的Xiaomi-Robotics-1具身基座模型，或许正将这座圣杯向前推动了一大步。该模型基于10万小时真实世界操作轨迹预训练，结合跨本体后训练，实现了具身基座模型的“开箱即用”。这一突破性的AI应用，不仅展示了机器人从专用走向通用的可能性，也为整个行业提供了一种可复用的技术范式。
从专用到通用：小米机器人基座模型的战略意义
当大部分机器人仍停留在“一个任务一套代码”的阶段时，小米Xiaomi-Robotics-1的发布无异于一声惊雷。具身智能（Embodied AI）的核心难点在于：机器人在物理世界中执行任务时，必须同时理解视觉、语言和动作的复杂关系。传统的做法是为每个场景、每个机器人本体定制策略，成本高昂且难以迁移。
Xiaomi-Robotics-1的出现打破了这一僵局。它采用“预训练+后训练”的两阶段范式，先在数十万小时的人类操作数据上学习通用的动作生成能力，再通过少量真实机器人数据将其适配到具体本体和任务上。这种“先通用后专用”的思路，类似于大语言模型领域的基座模型策略，本质上是将AI技术的边界从感知层扩展到了执行层。
更值得关注的是，小米首次在业界提出了“开箱即用”的概念——这意味着用户拿到搭载该模型的机器人后，无需从零训练，即可通过自然语言指令让机器人执行移动、抓取、操作等基本任务。对于企业数字化转型迫切需要的自动化场景，这无疑大大降低了部署门槛。
十万小时数据：从量变到质变的具身学习
数据是AI模型的燃料，但具身智能的数据采集远比文本和图像困难。小米团队此次使用的10万小时真实世界操作轨迹，是通过Universal Manipulation Interface（UMI）设备采集的。这些数据覆盖家庭、商业空间、工业产线、办公室、户外等多类环境，包含大量物体交互（如抓取、按压、旋转）和复杂操作行为（如拧螺丝、倒水、叠毛巾）。
值得注意的是，这10万小时并非短视频拼凑，而是连续且带有动作轨迹的记录。每个片段都包含视觉观测、机器人关节状态、夹爪力反馈等信息。如此规模的真实数据，在全球机器人学界也属罕见。它让模型有机会学到人类在不同场景下的共通操作模式，而不是机械记忆特定动作。
数据量的积累直接带来了能力涌现。在后续的基准测试中，Xiaomi-Robotics-1在RoboCasa365上达到了57.4%的平均成功率，在Composite-Unseen任务上表现出强大的组合泛化能力——即面对从未见过的场景组合时，依然能灵活调用学习过的子技能。这印证了一个观点：当数据足够多时，模型开始理解“意图”而非“轨迹”。
自动标注流水线：让十万小时数据“可学习”
海量原始数据本身毫无价值，关键在于如何将其转化为模型能够理解的标注信息。小米团队构建了一套可规模化的自动标注流程：首先将长轨迹切分为固定长度片段，然后使用视觉语言模型（VLM）对片段中的夹爪状态变化和交互物体状态变化进行文本描述。
例如，一段机器人拿起水杯的轨迹，VLM会标注为“夹爪闭合，抓住杯身，提升5厘米，杯内水位变化”等结构化描述。这些描述不仅包含动作本身，还包含场景状态的变化，从而让模型学习到“当前视觉+当前语言 → 推动状态变化的动作”这一映射关系。
整个自动标注流程只需约2周即可完成全量10万小时数据的标注，而传统人工标注方式可能需要数年。这种效率提升背后，是AI技术对自身数据生产流程的反哺——用更成熟的视觉语言模型来加速更具身智能模型的训练。类似的做法在大模型训练领域已经屡见不鲜，但应用到机器人数据上，小米是先行者之一。
两阶段训练：本体对齐与指令对齐的工程智慧
Xiaomi-Robotics-1的训练分为预训练和后训练两个阶段，各有明确目标。
预训练阶段：模型学习通用动作生成能力。给定当前的视觉观察和语言描述（例如“台灯在桌面上，请将其打开”），模型需要预测一段动作序列，使场景从当前状态向目标状态变化。这个阶段不依赖具体机器人硬件，数据全部来自UMI采集的人类演示。
后训练阶段则解决两个关键对齐问题： - 本体对齐：将预训练阶段从UMI数据学到的动作生成能力，迁移到真实机器人本体（如小米的移动操作机器人、双臂机器人等）。由于UMI数据采集设备的运动学特性与真实机器人不同，模型需要学会调整动作幅度、速度、力控等参数。 - 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。比如预训练阶段模型学的是“看到夹爪张开 → 移动至物体位置 → 闭合夹爪”，后训练阶段需要理解“帮我拿一下杯子”这条指令同样对应上述动作序列。
为此，团队构建了约10000小时的跨本体后训练数据，其中包括7200+小时移动操作机器人和双臂机器人数据、1000+小时人工标注UMI数据，以及Bridge V2、RT-1、DROID等公开数据集。完成后训练后，模型即可在真实环境中根据自然语言指令直接执行任务。
这种设计带来的最大优势是“微调友好”。在复杂、灵巧的操作任务上，模型只需要少量下游真实机器人数据（比如几十条演示）就能高效微调，而无需从零学习。对于希望快速开发新功能的企业，这无疑大幅降低了数据成本和训练成本。你也可以在AI工具导航中找到类似的高效率开发工具。
性能基准：多项SOTA，从仿真到真实的全面验证
为了评估Xiaomi-Robotics-1的实际能力，小米团队在多个公开基准上进行了严格测试，结果令人瞩目。
| 基准名称 | 核心指标 | Xiaomi-Robotics-1表现 | 对比对象 | |----------|----------|----------------------|----------| | RoboCasa365 | 平均成功率 | 57.4% | — | | Composite-Unseen | 任务组合泛化 | 强大泛化能力 | 解耦性能突出 | | RoboDojo | 平均分数 / 成功率 | 20.07分 / 13.93% | 行业此前最优13.07分/8.80% | | VLABench | 平均成功率 / 进度分 | 59.1% / 70.3% | SoTA | | RoboCasa | 平均成功率 | 74.5% | 超过RLDX-1、Cosmos Policy等 |
在RoboDojo仿真评测中，Xiaomi-Robotics-1以20.07的平均分数强势登顶Leaderboard，成功率（13.93%）相比之前行业最优方法（8.80%）提升了近60%。这一提升幅度在具身智能领域极为罕见。
值得注意的是，这些基准涉及的任务多样性极高：从桌面操作（如叠毛巾）到移动操作（如从冰箱取饮料），从单臂到双臂，从已知物体到未知物体。模型在所有基准上均展现了稳定的优势，说明其通用性并非偶然。
行业启示：机器人AI应用的新范式
Xiaomi-Robotics-1的发布，不仅仅是小米技术团队的一次成果展示，更标志着具身智能进入“基座模型时代”。它的设计思路与GPT系列大语言模型如出一辙：用大规模预训练构建通用能力，再用少量微调适配具体任务。这种范式的确立，将深刻影响未来机器人AI应用的开发模式。
对于企业而言，过去采购机器人意味着漫长的开发周期和高昂的定制成本。而现在，搭载基座模型的机器人可以像智能手机一样“开箱即用”。这尤其利好中小型制造业和服务业，它们无需庞大AI团队即可快速部署AI应用。
对于学术研究，该模型提供的自动标注流水线和跨本体对齐方法，为后续数据共享和模型复用奠定了基础。可以预见，未来会有更多团队使用公开的机器人基座模型，将精力集中在特定任务的数据采集和微调上，而非重复建设基础能力。
当然，Xiaomi-Robotics-1仍面临挑战：在高度非结构化环境中的鲁棒性、长序列任务的失败风险、以及成本控制等问题。但至少，它让业界看到了通往通用机器人的一条可行路径。就像AI写诗工具让普通人也能创作诗歌一样，基座模型有望让机器人编程变得如同写自然语言指令般简单。
可以大胆预测，未来一年内，会有更多科技公司推出自己的机器人基座模型，整个行业将进入“模型竞赛”阶段。而AI网名这类轻量级的AI应用，或许只是这场变革的冰山一角。