小米具身智能VLA大模型：推动机器人技术革新

你是否注意到，如今的晚会节目几乎都有机器人的身影？就连央视除夕春晚也不例外，多家智能公司宣布将派出机器人参演。

从大厂到小厂，资本追逐、媒体传播，具身机器人似乎成了继AI大模型后，新一轮科技叙事的中心。

具身机器人行业正处于一个有趣的坐标点上：一边是视觉盛宴，高难度动作频频出现，让大众对具身智能的未来深信不疑；另一边，行业对“真实价值”充满期待，关心机器人何时能真正走进工厂，释放生产力。

这种期待，其实折射出具身智能正在经历一场范式演进。机器人要真正成为生产力，核心在于“自主性”。目前的“人工辅助”或“单步遥操”是技术验证阶段的合理路径。

但如果机器人在执行过程中频繁停顿、修正缓慢，人类就不得不高频介入，打断自动化流程。只有当一个人能同时监管多台机器人，且每台机器人都能在长时间任务中持续决策、执行时，具身智能才不是空谈。

小米的具身VLA大模型正是针对这一问题。在4.7B参数规模下，Xiaomi-Robotics-0实现80ms推理延迟、30Hz实时控制频率，在消费级显卡（4090）上就能流畅运行。

在多个仿真+真实环境的主流基准上，Xiaomi-Robotics-0均刷新SOTA。而且，这模型是开源的。

解读Xiaomi-Robotics-0三大技术创新

为了实现上述效果，小米在Xiaomi-Robotics-0上做了三项核心技术创新，分别落在架构设计、预训练策略与后训练机制上。

双脑协同：用DiT做小脑，一次性生成连续动作块

小米采用了MoT架构，但巧妙地将工作细分成“大脑”和“小脑”。大脑部分是VLM，负责全局的看、听、理解和决策；小脑部分则引入了只有16层的DiT架构。

这种设计让动作生成更平滑灵巧，推理链路显著缩短，为低延迟实时控制提供了基础。

两阶段预训练：学会动作，也保住视觉理解能力

小米在预训练阶段采用了两阶段特训，确保模型在引入动作能力后依然保持强大的视觉语言能力。

改良异步：用Λ形注意力掩码解决动作惯性

小米创新性地在后训练阶段引入了Λ-shape attention机制，这种机制让模型在保证动作连续性的同时，强制重新审视环境。

仿真与真实环境的硬核成绩单

在三重技术创新的加持下，Xiaomi-Robotics-0展现出了极为硬核的测评结果。在多个测试集中，Xiaomi-Robotics-0均表现优异。

在真实任务中，Xiaomi-Robotics-0也展现出了高成功率与高吞吐。结合三类测试集的表现数据来看，Xiaomi-Robotics-0已经是一个非常成熟的一体化VLA模型了。

小米的，进厂的，开源的

综合来看，Xiaomi-Robotics-0在目前的具身智能模型梯队里，是一个A+级选手。小米在具身技术方面选择了走务实路线。

无论是TacRefineNet还是Xiaomi-Robotics-0，小米都选择了开源。这不仅让行业看清了“低延迟+高智能”的可行路径，还推动了技术讨论从营销转向工程细节。

具身机器人属于重资产、长周期赛道。开源行为降低门槛，提升透明度，推动技术讨论从营销转向工程细节。小米这一波，展现了科技大厂应有的担当。