10万小时真实世界数据训练、跨本体迁移、多场景任务验证……小米正在探索具身智能从“小数据定制”走向“大规模预训练”的新路径。
7月16日，小米技术团队正式发布具身智能基座模型 Xiaomi-Robotics-1。该模型面向真实移动操作任务开发，基于10万小时真实世界操作数据进行预训练，并结合跨机器人本体数据完成后训练，在未见环境下的真实机器人任务执行、复杂任务适配以及多个机器人仿真基准中展现出显著性能。
据介绍，Xiaomi-Robotics-1旨在探索一个关键问题：机器人策略模型是否也能够像大语言模型一样，通过持续扩大数据规模、模型规模和训练计算量，实现类似Scaling Law（规模化效应）的能力提升。
机器人策略模型能否进入Scaling时代？
过去几年，大语言模型和视觉语言模型的发展证明，当训练数据、模型参数量以及计算资源持续增长时，模型能力往往会呈现稳定提升趋势。然而，对于机器人而言，这条路径并不容易复制。
机器人不仅需要理解视觉信息和语言指令，更需要在真实物理世界中完成复杂动作。从抓取物体、整理环境，到搬运、装配，机器人学习依赖大量真实交互数据。但传统机器人训练通常高度依赖特定硬件、固定场景以及人工遥操作，数据采集成本高、周期长，难以支撑大规模模型训练。
因此，如何突破机器人数据瓶颈，让机器人模型具备类似AI大模型的规模化成长能力，成为具身智能发展的关键方向。
Xiaomi-Robotics-1正是围绕这一问题展开探索，通过构建大规模真实世界操作数据体系，验证机器人策略模型通过Scaling实现能力提升的可能性。
10万小时真实世界数据，打造机器人“大模型”训练基础
想要探索Scaling效应，首先需要足够规模的数据支撑。
在预训练阶段，Xiaomi-Robotics-1采用了10万小时真实世界操作轨迹数据。这些数据通过Universal Manipulation Interface（UMI）设备采集，覆盖家庭、商业空间、工业场景、办公室以及户外环境，包含大量物体交互和操作行为。
相比传统依赖机器人本体采集数据的方式，UMI数据采集方式具有更强的通用性，不依赖固定机器人平台，可以高效率记录真实世界中的操作过程。模型能够先从大规模操作轨迹中学习通用动作生成能力，再通过后续训练迁移到不同机器人本体。
面对10万小时规模的数据处理需求，小米团队还构建了自动化数据标注流程。通过视觉语言模型对长轨迹数据进行切分和理解，自动识别夹爪状态变化、物体状态变化以及动作结果，使模型能够学习如何根据当前环境状态和语言目标生成有效动作。据介绍，该自动标注流程能够在约两周内完成全部10万小时数据的高质量标注，为机器人规模化训练提供了数据基础。
真实环境测试：机器人具备“开箱即用”能力
完成训练后的Xiaomi-Robotics-1，可以根据自然语言指令直接执行多类真实环境中的移动操作任务，包括沙发整理、餐具收纳、鞋柜整理、书包打包以及桌面清理等。
实验结果显示，在预训练阶段表现更强的模型，在后续真实机器人任务执行中同样获得更高成功率。这说明，大规模真实世界数据训练得到的通用能力，能够有效迁移到实际机器人应用中。
少量数据适配复杂任务，加速机器人落地
除了已有任务表现，Xiaomi-Robotics-1还验证了机器人基座模型快速学习新任务的能力。
传统机器人面对新任务时，通常需要重新采集大量数据进行训练，而基座模型则可以先学习通用能力，再通过少量任务数据完成快速适配。
实验显示，在多个复杂灵巧操作任务中，Xiaomi-Robotics-1仅使用平均不足10小时的新任务数据进行微调，即取得了明显优于Pi-0.5的任务成功率。
这意味着未来机器人面对不同应用场景时，有望减少数据采集和训练成本，提高开发效率。
从整体来看，Xiaomi-Robotics-1探索了一条面向未来具身智能发展的新路径：
通过大规模真实世界数据进行预训练，学习通用动作生成能力；通过跨机器人本体数据进行后训练，实现能力迁移；再利用少量数据快速适配新任务。
Xiaomi-Robotics-1，是小米在机器人“大模型化”方向上的一次重要探索，也代表行业正在从单任务机器人向更通用、更智能的机器人系统迈进。
2025年，人形机器人产业迎来爆发拐点。特斯拉Optimus量产在即，华为、宇树等企业加速技术突破，行业正从“实验室研发”向“规模化落地”跃迁为打通产业链上下游协作壁垒，艾邦机器人正式组建"人形机器人全产业链交流群"，覆盖金属材料、复合材料、传感器、电机、减速器等全硬件环节，助力企业精准对接资源、共享前沿技术！
扫码关注公众号，底部菜单申请进群
