小米发布首代机器人VLA大模型：低延迟、高智能，全面开源

小米近日推出了首个具身智能VLA大模型——Xiaomi-Robotics-0。这款模型以80ms的推理延迟和30Hz的实时控制频率，在消费级显卡（如RTX 4090）上即可流畅运行，刷新了多项仿真与真实环境基准测试的SOTA成绩，并且完全开源。

技术创新亮点

1. 双脑协同架构
   Xiaomi-Robotics-0采用“大脑+小脑”分工设计。大脑部分基于视觉语言模型（VLM），负责全局感知与决策；小脑部分则引入16层Diffusion Transformer（DiT），专注于生成连续动作块。通过KV缓存松耦合连接，大脑将理解能力传递给小脑，从而实现毫秒级响应和平滑灵巧的动作输出。

2. 两阶段预训练策略
   为避免模型在学习动作数据时丢失视觉理解能力，小米设计了两阶段预训练方案：第一阶段对齐视觉与动作空间，第二阶段冻结VLM，单独训练DiT进行精细化动作生成。这种策略确保模型既能读懂复杂指令，又能规划精准动作。

3. 改良异步机制
   小米提出Λ形注意力掩码机制，解决传统异步执行中的“动作惯性”问题。该机制让模型在保证动作连续性的同时，强制重新审视当前环境反馈，从而实现实时修正与流畅操作。

硬核性能表现

Xiaomi-Robotics-0在LIBERO、CALVIN等主流仿真基准中全面领先，尤其在Libero-Object任务上达到100%成功率。在真实场景测试中，无论是叠毛巾还是拆卸乐高，模型均展现出高成功率与吞吐量优势，证明其具备强大的泛化能力与工业实用性。

小米的务实路线

结合此前开源的触觉驱动抓取模型TacRefineNet，可以看出小米正聚焦于工业落地场景。TacRefineNet提供毫米级精细调整，而Xiaomi-Robotics-0负责快速响应与连续控制，两者共同构建“眼-脑-手”协同体系，直面非结构化环境作业难题。

开源的意义

小米选择全面开源，不仅降低了中小开发者的研发门槛，还推动行业从营销导向转向技术细节讨论。作为基础设施建设者，小米展现了科技大厂的责任担当，为具身智能领域注入更多活力。

了解更多：技术主页 | GitHub | Hugging Face