小米开源首代机器人 VLA 大模型，刷新多项 SOTA！-AI Express News

在具身智能（Embodied AI）的浪潮中，我们始终在思考一个问题：如何让机器人既有“博学的大脑”，又有“敏捷的身手”？

现有的 VLA（Vision-Language-Action）模型虽然通过大规模参数获得了惊人的泛化能力，但在真实物理世界中，庞大的推理延迟往往让机器人表现得像个“反应迟钝的木头人”。

今天，我们对外发布：Xiaomi-Robotics-0。这是一个拥有47亿参数、兼具视觉语言理解与高性能实时执行能力的开源 VLA 模型。它不仅在三大主流的仿真测试中获得优异成绩，更在现实真机任务中实现了物理智能的泛化——动作连贯、反应灵敏，且能在消费级显卡上实现实时推理。

物理智能的核心在于“感知-决策-执行”的闭环质量。为了兼顾通用理解与精细控制，Xiaomi-Robotics-0采用了主流的 Mixture-of-Transformers (MoT) 架构。

视觉语言大脑（VLM）：我们采用了多模态 VLM 大模型作为底座。它负责理解人类的模糊指令（如“请把毛巾叠好”），并从高清视觉输入中捕捉空间关系。
动作执行小脑（Action Expert）：为了生成高频、平滑的动作，我们嵌入了多层的 Diffusion Transformer (DiT)。它不直接输出单一动作，而是生成一个“动作块”（Action Chunk），并通过流匹配（Flow-matching）技术确保动作的精准度。

（模型架构及训练方法：(a) VLM多模态与动作混合预训练；(b) DiT专项预训练；(c) 目标任务后训练）

这种“大脑+小脑”的组合，让我们的模型既能听懂指令，又能像人类一样，在动作执行时保持极高的物理灵活性。

如何让模型既不丢失常识，又精通“体力活”？我们设计了一套严谨的训练配方。

▍跨模态预训练（Cross-Embodiment Pre-training）

大部分 VLA 模型在学动作时往往会“变笨”，失去本身的理解能力。我们通过多模态与动作数据的混合训练，让模型在学会操作的同时，依然保持强大的物体检测、视觉问答和逻辑推理能力。

VLM 协同训练：我们首先引入了 Action Proposal 机制，强迫 VLM 模型在理解图像的同时预测多种动作分布。这一步是为了让 VLM 的特征空间与动作空间对齐，不再仅仅是“纸上谈兵”。
DiT 专项训练：随后，我们冻结 VLM，专注于训练 DiT，学习如何从噪声中恢复出精准的动作序列。这一阶段，我们去除了 VLM 的离散 Token，完全依赖 KV 特征进行条件生成。通过 DiT 专项训练，模型可以生成高度平滑、精准的的动作序列。

（多模态数据与跨本体机器人数据的分布）

▍后训练（Post-training）

这是解锁物理智能的核心路径。针对推理延迟引发的真机“动作断层”问题，我们采用异步推理模式——让模型推理与机器人运行脱离同步约束、异步执行，从机制上保障动作连贯流畅。为进一步强化模型对环境变化的响应敏捷性与运行稳定性，我们引入了：

Clean Action Prefix：将前一时刻预测的动作作为输入，确保动作轨迹在时间维度上是连续的、不抖动的，进一步增加流畅性。
Λ-shape Attention Mask：通过特殊的注意力掩码，强制模型更关注当前的视觉反馈，而不是沉溺于历史惯性。这让机器人在面对环境突发变化时，能够展现出极强的反应性物理智能。

（异步推理示意图，模型推理延迟不影响真机连续性运行）

（我们采用特殊的注意力掩码机制，有效缓解动作惯性）

在多维度的测试中，Xiaomi-Robotics-0 展现出优异的表现：

仿真标杆：在 LIBERO、CALVIN 和 SimplerEnv 测试中，模型在所有的 Benchmark、30种模型对比中，均取得了当前最优的结果。
真实挑战：我们在双臂机器人平台上部署了模型并与行业标杆进行了横向对比。在积木拆解和叠毛巾这种长周期、高度挑战的任务中，机器人展现出了极高的手眼协调性。无论是刚性的积木还是柔性的织物，都能处理得游刃有余。
多模态能力：模型保留了 VLM 本身的多模态理解能力，尤其是在具身更相关的 benchmark 中表现优异，这是之前的 VLA 模型所不具备的。

（在VLA、VLM的Benchmark以及真实机器人的效果指标）