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，采用“大规模UMI数据预训练+跨本体机器人数据后训练”的双阶段范式，首次系统性验证了具身智能领域的Scaling Law——即通过扩大数据规模和模型参数，可实现性能的稳定提升。在真机测试中，该模型在鞋柜收纳、桌面整理等复杂任务中展现出显著优势，平均成功率大幅超越行业标杆模型π0.5。
国际权威评测基准RoboDojo的最新结果显示，Xiaomi-Robotics-1以20.07的平均分数和13.93%的平均成功率登顶Leaderboard，刷新了此前由行业最优方法保持的纪录（13.07分/8.80%成功率）。在更具挑战性的RoboCasa评测中，该模型同样以57.4%的平均成功率位列全球第一。这些成绩标志着小米在具身智能领域的技术实力已达到国际领先水平。
与传统大语言模型不同，具身智能的数据采集面临更高成本和更复杂的环境限制。小米通过创新预训练模式破解了这一难题：一方面构建“无本体UMI数据”，即不依赖特定机器人硬件采集的操作数据，从根本上降低了数据获取成本；另一方面开发规模化自动标注流程，在两周内完成10万小时数据的高质量标注。实验表明，当UMI数据量从2500小时增至20000小时，或模型参数从2B扩展至10B时，动作预测精度均呈现稳定提升趋势。
在后训练阶段，小米团队设计了“双对齐”策略：本体对齐将预训练能力迁移至真实机器人，指令对齐使模型能够理解自然语言指令。为此，团队整合了7200+小时移动操作机器人数据、1000+小时人工标注UMI数据及多个公开数据集，构建了跨本体后训练数据集。最终，Xiaomi-Robotics-1实现了“开箱即用”的能力——在未见环境和物体条件下，可直接根据语言指令完成多类任务。
作为基座模型，Xiaomi-Robotics-1的优势在于快速适配新任务的能力。真机测试显示，在每个任务平均不足10小时的微调数据条件下，该模型在四项任务中的表现均显著优于行业标杆。这种“先训练通用能力、再少量数据微调”的模式，大幅降低了新任务的开发成本和周期，为企业和开发者提供了更高效的解决方案。
小米在具身智能领域的布局远不止于此。三天前，其人形机器人在汽车工厂的装配成功率已逼近人工水平；次日发布的统一具身生成模型Xiaomi-Robotics-U0，为机器人数据生成提供了通用底座。从硬件本体到数据生成，再到模型大脑，小米已构建起完整的技术闭环：硬件验证落地能力，数据层突破训练瓶颈，模型层确立规模化范式。这一体系为具身智能从实验室走向真实场景奠定了坚实基础。
