文章摘要
小米低调推出两款机器人核心模型Xiaomi - Robotics - 1和Xiaomi - Robotics - U0。前者系统性验证了机器人领域的Scaling Law，解决数据采集和标注难题，具备“开箱即用”和少样本适配能力，在多个基准测试中领先；后者可生成多视角场景图像，扩充训练数据。二者构成技术飞轮，项目已开源，有望加快机器人技术落地。

作为一名持续关注家用机器人赛道的观察者，我先后体验过多款万元级人形机器人、四足机器狗以及带基础AI功能的扫地设备，始终在等待一个清晰的答案：真正能走进普通家庭的实用机器人，什么时候才能到来？就是那种下班回家瘫在沙发上，随口喊一句“把桌上的杂物收进柜子”，它就能自动完成任务的家用助手。

最近小米低调推出了两款机器人核心模型，其中新一代视觉语言动作（VLA）模型Xiaomi-Robotics-1，结合此前披露的技术细节来看，整个家用机器人赛道或许即将迎来实质性的突破。而另一款Xiaomi-Robotics-U0，则为解决机器人训练的核心痛点提供了全新的思路。

作为少数能够覆盖从硬件研发、模型训练到数据引擎搭建全链路的科技厂商，小米在机器人领域的布局一直有着清晰的长线逻辑。从2021年的初代机器狗铁蛋，到2022年的人形机器人铁大，再到如今迭代的硬件平台，其机器人硬件的研发迭代从未停止。

早在今年2月，小米就发布了首代VLA模型Robotics-0，这款47亿参数的模型在LIBERO基准测试中达到了98.7%的准确率，在CALVIN任务ABCD→D中跑出了4.75的平均链长，在三个主流仿真机器人基准测试中全部拿下了当前最优成绩。

Robotics-0的架构设计颇具巧思：它没有采用单一模型包揽所有任务的思路，而是拆分为两大模块——视觉语言模型（VLM）负责接收视觉信息和语音指令，相当于机器人的“眼睛和大脑”；扩散Transformer（DiT）则负责将抽象指令转化为具体的关节动作序列，相当于机器人的“运动神经”。

在模型的后训练阶段，小米还加入了Λ型注意力掩码机制，解决了机器人动作规划中的一个常见问题：边计算边执行的机器人很容易偷懒重复使用之前生成的动作。这个掩码会主动遮挡部分已有的动作序列，迫使模型根据当前的实时状态重新规划动作路径。

更值得关注的是，这款模型可以在单张消费级RTX4090显卡上部署，推理延迟仅为80ms，这说明从初代模型开始，小米就没有把机器人当作“大玩具”，而是充分考虑了真实机器人落地时的实时执行需求。

此次发布的Xiaomi-Robotics-1，正是第二代VLA策略模型，这次升级背后隐藏的信号，对整个机器人行业都有着里程碑式的意义——机器人领域的Scaling Law（缩放定律）终于被系统性验证了。

可能很多人对Scaling Law并不熟悉，用大白话来说就是：在大语言模型领域，我们已经验证了“数据越多、模型规模越大、算力越强，模型的能力就会线性增长”的规律，OpenAI正是依靠这条定律从GPT2迭代到GPT系列，让模型能力实现了可预测的提升。

但在机器人领域，这条路径却迟迟难以跑通。因为训练机器人需要的是真实世界的操作数据，而获取这些数据的成本极高。训练大语言模型可以从互联网爬取数万亿token的文本数据，成本相对可控，但一台机器人搭配一名操作员，一天能采集的真实操作数据却非常有限；更麻烦的是，传统的数据采集方式高度绑定特定硬件，在A机器人上采集的数据无法直接在B机器人上使用，每更换一个平台都需要重新采集数据，规模化训练根本无从谈起。

小米这次的突破，正是解开了这个死结。他们推出了名为UMI（Universal Manipulation Interface，通用操作交互接口）的便携数据采集设备，这款设备不绑定任何特定的机器人平台，操作人员可以直接手持设备，在家庭、办公室、商场、户外等任意真实场景中采集机器人操作数据，同时配合视觉语言模型实现自动化标注。

传统的机器人数据标注需要人工一帧一帧地标记，效率极低，小米则搭建了一套自动化标注流水线，将长轨迹数据切割为固定片段，通过VLM自动识别每个片段中夹爪的状态和物体状态的变化，大幅提升了标注效率。依靠这两项创新，小米将机器人预训练数据的规模从1万小时级提升到了10万小时级——这是实打实的真实世界操作数据。

小米团队用不同规模的UMI数据进行了对照训练：分别使用2500小时、5000小时、10000小时、20000小时的数据训练模型，结果显示数据量越大，动作预测的损失越低，而且在较小数据规模下容易出现过拟合，而大数据量训练的模型稳定性更强。同时在模型规模的对照实验中，20亿、50亿、100亿参数的模型，参数越大性能越好，整个性能增长呈现线性、可预测的趋势，没有出现明显的性能天花板。

这应该是国内首次在机器人策略模型领域，系统性验证了Scaling Law的可行性。在此之前，机器人研发大多停留在“作坊模式”：每个任务单独训练，每个场景单独调试，更换一个环境就需要重新调整，而现在，机器人研发终于有了可规模化的路径：先训练一个通用基座模型，再通过不断堆加数据和模型参数，就能实现能力的可预测增长。

那么这款模型到底能给家用机器人带来什么改变？小米将其核心特点总结为“开箱即用”，这恰好也是普通消费者最在意的点。

谁也不想买一台机器人回家，还要先喂它几千小时的专属数据、针对自己家的户型专门训练一轮才能正常使用。真正的家用机器人，应该是搬到一个从未接触过的房间里，对着它说“把鞋子放进鞋柜”，它就能立刻上手完成任务。

小米的测试正是在模型从未见过的陌生环境中进行的，包括鞋柜收纳、书包打包、桌面整理等多个任务。机器人需要识别不同的物品、判断大小和软硬程度、规划放置顺序、控制动作力度避免压坏物品，这一系列操作都需要推理、规划和精细的力度控制。

更关键的是，预训练阶段表现更好的模型，在真实机器人的实地测试中也取得了更高的任务成功率，这说明Scaling Law的效果并没有停留在实验室指标上，而是真正转化为了机器人在真实家庭场景中干活的实用能力。

除了开箱即用的特性，Xiaomi-Robotics-1的少样本适配能力也让人眼前一亮。简单来说，当遇到模型从未见过的全新任务时，不需要从零开始重新训练，只需要用少量的真机数据进行微调，就能达到很高的任务成功率。

根据官方披露的实验数据，在每个新任务仅使用平均不到10小时的真机数据的情况下，Xiaomi-Robotics-1在四个全新任务上的表现全部超过了Physical Intelligence的Pi-0.5。而Physical Intelligence是机器人领域的明星企业，创始团队来自Google DeepMind，融资总额超过10亿美金，能在新任务的适配效率上超过这样的行业标杆，足以证明小米模型的实力。

再来看官方公布的基准测试成绩，Xiaomi-Robotics-1在四个主流机器人基准测试中全部拿下第一：在RoboDojo基准中，平均得分20.07，此前的行业纪录仅为13.07，差距拉大超过50%；在RoboCasa365基准中，平均成功率达到57.4%，此前的最好成绩为46.6%，其中难度最高的长程复合未见任务，成功率达到32.1%，是第二名的四倍；在RoboCasa基准中，成功率76.1%，同样位列第一；在VLABench基准中，成功率59.1%，依旧保持领先。

单一榜单的第一可能是针对性优化的结果，但四个榜单全部第一、多维度领先，足以证明Xiaomi-Robotics-1的通用能力极强，并非偏科的“刷分项”模型。

除了Xiaomi-Robotics-1，小米此次还同步发布了另一款重磅模型Xiaomi-Robotics-U0，这款模型的意义甚至比前者更让人兴奋。

如果说Xiaomi-Robotics-1是让机器人“会干活”的大脑，那么Xiaomi-Robotics-U0就是让机器人“会想象”的想象力引擎。这款380亿参数的统一具身合成模型，基于世界基础模型（World Foundation Model），可以实现两大核心能力：根据一段文字描述的场景，生成多视角、几何一致的机器人操作场景图像；或者根据一组真实的机器人轨迹数据，将操作场景迁移到完全不同的环境中。

这相当于解决了机器人训练中最昂贵的数据成本问题。一台机器人在一个厨房中采集了40小时的操作数据，换到另一个布局不同的厨房就很难直接使用，但如果有一个模型可以将这40小时的轨迹，虚拟生成1000种不同的厨房场景、不同的灯光环境、不同的物体材质，就能大幅扩充可用的训练数据。

小米正是这么做的：他们用Xiaomi-Robotics-U0生成增强数据，再用这些数据训练VLA策略模型。实验结果显示，Pi-0.5模型在真实机器人任务的分布外（OOD）成功率，从36.9%直接提升到了63.2%，几乎翻倍。更让人惊喜的是，这款模型在Embodied Scene Generation和Embodied Transfer两个任务的人类评估中，胜率超过了GPT Image2，虽然GPT Image2的通用图像生成能力更强，但Xiaomi-Robotics-U0在机器人场景的多视角一致性、深度信息遵从度以及对机器人几何约束的理解上，有着明显的垂直领域优势。

现在我们可以完整看到小米的机器人技术栈了：Xiaomi-Robotics-U0负责生成高质量的训练数据，Xiaomi-Robotics-1依靠这些数据不断变强，而更强的模型又可以在更多场景中采集更优质的数据，反过来为Xiaomi-Robotics-U0提供更好的训练素材，三者共同构成了一个完整的技术飞轮。

目前整个项目已经开源，代码和模型权重将会陆续对外公布，这意味着不只是小米一家可以推进机器人技术的发展，整个全球机器人研发社区都可以在这个基座上继续向前迭代。

我反复思考后觉得，小米这次的发布，有点像2020年GPT3刚推出的时候。当时的GPT3也远称不上完美，写出来的文章逻辑不通、数学计算一塌糊涂，还充满了幻觉，让人看完直摇头，但它却证明了一条关键的路径：通过堆加数据、模型规模和算力，就能让AI能力实现可预测的增长。

不到三年的时间里，从GPT3到ChatGPT再到GPT-4，大语言模型从学术论文快速走进了普通人的日常生活，如今活跃用户已经接近千万。小米这次在机器人领域的动作，和当年OpenAI的举动有着同样的性质，甚至更进一步——他们不仅证明了Scaling Law在机器人领域的可行性，还搭建了一套数据生成的“永动机”，让这条技术路径的落地速度更快。

至于什么时候能真正看到能走进千家万户的机器人管家，我暂时无法给出准确的时间，但我相信这个时间比很多人预想的要近得多。

当然，现在还不是最终验收的时候，我这次看到的只是工程样品的技术文档和演示效果，还没有亲手体验过实物。但这份技术进展，已经让我对家用机器人落地的那一天，比以前更有信心了。

毕竟“开箱即用”这四个字，放在模型技术上是专业术语，但放在普通消费者眼中，就是一个实实在在的交付承诺。小米已经迈出了第一步，把技术层面的开箱即用做到了，剩下的，就是什么时候把这份承诺兑现到产品上。我的钱包已经准备好了，就等真正的家用机器人落地了。

以上内容不代表本平台立场，仅供读者参考