小米在具身智能领域迈出关键一步，正式推出全新基座模型Xiaomi-Robotics-1。这款模型基于10万小时真实世界操作数据预训练，通过"大规模UMI数据预训练+跨本体机器人数据后训练"的双阶段架构，实现了在未知环境中直接理解自然语言指令并完成复杂任务的能力。在鞋柜收纳、桌面整理等四项移动操作任务测试中，其平均成功率显著超越行业标杆模型π0.5，标志着机器人策略模型进入规模化训练新阶段。
国际权威评测基准RoboDojo的测试数据显示，Xiaomi-Robotics-1以20.07的平均分数和13.93%的平均成功率登顶排行榜，较原纪录（13.07分/8.80%成功率）实现质的飞跃。在更具挑战性的RoboCasa评测中，该模型同样以57.4%的平均成功率领跑全球。这些突破性成果验证了小米提出的具身智能训练范式：通过海量真实数据与规模化标注流程，使机器人策略模型具备可预测的性能提升规律。
研发团队突破传统数据采集模式，创新性地构建"无本体UMI数据"体系。该体系通过脱离具体机器人硬件的数据采集方式，在两周内完成10万小时数据的高质量自动标注，解决了具身智能领域长期存在的数据稀缺难题。实验表明，当预训练数据量从2500小时增至20000小时，模型动作预测损失持续降低；模型参数从2B扩展至10B时，动作生成能力显著增强，验证了Scaling Law在机器人领域的适用性。
在后训练阶段，团队采用"双对齐"策略实现模型能力跃迁。本体对齐环节将预训练获得的通用动作生成能力迁移至真实机器人，指令对齐环节则赋予模型理解自然语言指令的能力。通过整合7200小时移动操作机器人数据、1000小时人工标注数据及多个公开数据集，最终打造的模型展现出"开箱即用"特性——在真机测试中，仅需不足10小时的微调数据即可快速适应新任务，任务执行效率较传统方法提升数倍。
这项突破并非孤立成果，而是小米具身智能战略的阶段性呈现。三天前，其人形机器人已在汽车工厂实现接近人工水平的装配作业；次日发布的统一生成模型Xiaomi-Robotics-U0，为机器人数据生成构建了通用框架。从硬件本体到数据引擎，再到核心算法，小米已完成"本体-数据-模型"的技术闭环，为机器人从实验室走向真实场景铺就道路。这种系统化布局，正在重新定义工业机器人的研发范式与应用边界。
