小米Xiaomi-Robotics-1用十万小时数据扩展VLA训练

小米机器人团队发布了视觉—语言—动作模型Xiaomi-Robotics-1，其预训练使用了超过10万小时的真实世界操作轨迹。配套论文试图回答通用机器人领域的一个关键问题：当数据量和模型规模增加时，机器人策略是否也能稳定提升？

快速了解

机器人学习长期受制于数据。互联网文本和图像数量巨大，而采集多样化机器人演示既慢又昂贵。小米采用Universal Manipulation Interface（UMI）记录操作轨迹，因此不需要让最终机器人完成每一次示范。

预训练语料覆盖家庭、办公室、商业空间、工业现场和户外环境。自动化流程会把轨迹切分，并用语言标注场景中的状态变化，从而形成“当前环境—目标变化—实现动作”的训练样本。

这里必须区分两个概念：10万小时UMI轨迹并不等于10万小时机器人自主运行时间。它们是用于预训练的大规模真实世界操作经验。

Xiaomi-Robotics-1把视觉语言模型与用于预测动作的扩散Transformer结合。完成通用预训练后，团队再使用来自UMI设备、固定机械臂和移动操作机器人的跨本体数据进行后训练。论文称，这一阶段包含超过7,200小时机器人数据。

两阶段训练分别解决不同问题：预训练从多样化场景中学习广泛动作模式，后训练则把这些知识与具体机器人身体和“装箱”“装载衣物”等命令式指令连接起来。

团队评测了20亿、50亿和100亿参数版本。其结果显示，预训练数据越多，动作预测误差越低；模型越大，在陌生环境中的直接任务成功率也越高。在四项未见环境任务中，总体成功率从20亿参数版本的61%，提高到50亿版本的75%和100亿版本的79%。

研究人员还针对手机装盒、打印机补纸、洗衣装载和纸箱打包进行了微调。在每项任务平均少于10小时示范数据的情况下，Xiaomi-Robotics-1报告的总体成功率为75%，团队复现的π0.5基线为40%。增加任务数据后，其总体成功率达到85%。

这些结果说明，大规模操作预训练可能减少后续任务所需的专用数据。但它并不意味着一个策略已经能在开放家庭或工厂中可靠工作。当前评测仍是任务明确、成功标准固定且试验次数有限的实验。

这项工作的价值之一，是为“不依赖最终机器人本体采集全部样本”的扩展路线提供了证据。如果UMI采集、自动标注和跨本体对齐在更大规模上仍然有效，团队就能在量产机器人设计完全定型前建设可复用的数据基础。

开放模型也让其他研究者能够在不同硬件和基准上检验结论。对于接触丰富、步骤较长的任务，轻微环境变化就可能导致失败，因此独立复现尤其重要。

后续需要观察该模型在小米评测体系之外的表现，包括不同机器人本体和更长时间的连续运行。失败恢复、安全性和推理成本也应与任务成功率一同衡量。

论文说明数据规模正在成为机器人系统的一项核心工程变量。下一步的真正考验，是这些扩展规律能否在混乱且持续变化的工作现场转化为稳定能力。

它是一款面向移动操作的视觉—语言—动作基础模型，目标是在陌生环境中执行语言指令，并用较少微调数据学习新任务。

不是。大规模预训练数据主要是使用UMI设备采集的真实世界操作轨迹。论文另行披露了超过7,200小时的后训练机器人数据。

小米已经公开项目仓库和模型资源，并采用Apache 2.0许可证。