小米Xiaomi-Robotics-1深度解析：验证具身智能Scaling Law

type

status

date

slug

summary

突破数据瓶颈：10万小时真实轨迹重构训练范式

在LLM（大型语言模型）领域，数据是核心驱动力。机器人行业同样深知“数据越多越好”，但传统真机遥操作采集的数据成本极高且极度碎片化。换一台机械臂或相机位置，数据就可能失效。

为了解决这一痛点，Xiaomi-Robotics-1重构了数据来源。小米并没有完全依赖机器人本体，而是自研了UMI（Universal Manipulation Interface）便携式采集设备。通过记录人类在家庭、办公室等真实环境中的操作轨迹，积累了高达10万小时的庞大数据。

面对海量数据，人工标注并不现实。小米创新性地构建了基于视觉语言模型（VLM）的自动标注流水线，将长轨迹切分并描述状态变化。这使得模型从单纯的“模仿动作”跃升为“理解物理世界状态变化”，为AGI在物理世界的落地打下了坚实的数据基础。

首次系统验证：机器人版Scaling Law的诞生

在openai的chatGPT或Anthropic的claude等顶级文本模型中，Scaling Law已经被反复证明。而小米的实验结果，在机器人领域展现了教科书级别的规模化收益。

实验数据显示，当预训练数据从2500小时扩大至2万小时，模型在验证集上的动作预测损失持续稳定下降，有效克服了小规模数据的过拟合问题。同时，当参数规模从20亿（2B）提升至50亿、100亿（10B）时，动作预测能力同样实现了稳定改善。

这种收益不仅停留在离线指标上，更直接体现在真实任务的成功率中。机器人在未见过的家庭环境中完成鞋柜收纳、书包打包等任务的表现随之大幅提升。这条从“数据规模→模型能力→真实任务表现”的完整链路，正是机器人版Scaling Law的核心证据，让机器人能力的提升告别了“玄学调参”。

双阶段新范式：让机器人实现“开箱即用”

仅有海量数据并不够，如何让不同来源的数据统一表达并执行指令是另一个难题。为此，Xiaomi-Robotics-1采用了类似顶级大模型的“预训练+后训练”双阶段新范式。

在预训练阶段，模型从10万小时人类轨迹中学习底层的物理规律和通用动作表征（如如何抓取、如何改变环境状态）。在后训练阶段，模型使用约11000小时跨本体数据（包括移动操作机器人、双臂机器人及开源数据集），完成本体对齐和指令对齐。

这意味着，机器人可以通过理解自然语言提示词（Prompt）来执行任务。在未见过的真实家居环境中，它无需针对每个场景重新训练，即可根据指令完成桌面收纳、沙发整理等工作。在面对复杂新任务时，仅需平均不足10小时的数据微调，性能就能大幅超越从零训练的模型。这种在基座模型上快速适配的模式，正是未来AI变现和商业化落地的关键。

全球榜单“屠榜”：定义具身智能基座模型新标准

一个优秀的基座模型必须经得起全球权威基准的考验。Xiaomi-Robotics-1在多个主流仿真基准上展现出了统治级的表现：

在极具挑战性的RoboDojo仿真评测中，以20.07的平均得分和13.93%的成功率强势登顶，对前最优方法实现了“断档式”领先。

在覆盖数百种家庭场景的RoboCasa365基准中，以57.4%的平均成功率一骑绝尘，大幅刷新了此前由国际顶尖团队保持的最佳成绩。

在考验模型举一反三能力的Composite-Unseen任务中，展现了惊人的组合泛化能力。

这些耀眼的成绩重新定义了机器人基座模型的标准：不仅参数要大，更要具备规模化训练、跨本体迁移、自然语言控制和低样本适配能力。

结语：拥抱物理AI的未来

从进厂“实习”的机器人本体，到统一生成模型Xiaomo-Robotics-U0，再到如今的Xiaomi-Robotics-1，小米逐步构建起了“本体—数据—模型”的技术闭环。这为中国庞大的机器人产业链提供了一条清晰的工业化发展路径。

当数据可以规模化生产，模型可以像流水线一样迭代，具身智能的爆发已在眼前。获取更多关于具身智能、大模型发展趋势及最新AI新闻，欢迎访问专业的AI门户 https://aigc.bar，每日为您提供深度的AI日报与前沿洞察，助您在AI时代抢占先机。