这项由小米机器东说念主团队完成的征询，以预印本形态发布于2026年7月16日，论文编号为arXiv:2607.15330，有兴味入了解的读者可通过该编号查询完好论文。
淌若你里有个机器东说念主，你但愿它能作念什么？叠一稔、打理书包、把洒落在沙发上的玩物整理进收纳箱？这些听起来凡俗的事情，对机器东说念主来说其实其可贵——不是因为机器东说念主力气不够，而是因为它压根不知说念濒临个从未见过的房间、件从未碰过的物品时，手该如何动。小米机器东说念主团队花了大批时间和元气心灵，试图处罚这个问题。他们构建了个名为Xiaomi-Robotics-1的系统，而这个系统背后的中枢奥秘，是过10万小时的真实东说念主类操作摄像。
要明白这件事的重量，不错换个角度念念考：10万小时，很是于个东说念主不休眠地引诱责任过11年。这些摄像纪录的不是在实验室里全心布置的场景，而是在庭、餐厅、办公室、工场、户外等各样真实环境里，东说念主拿着特制的手持抓夹装配（种叫作念UMI的用具，像手套样让东说念主在操作物体时自动纪录手的算作）完成各样任务的过程。这套数据集涵盖过1700个不同场合、240万个操作片断、260种以上的任务类型，是面前机器东说念主域限度大的真实操作数据集之。
、为什么机器东说念主学不会"随声陈赞"
要搞了了Xiaomi-Robotics-1处罚了什么问题，先得明白机器东说念主为什么那么难"教"。
教个小孩叠一稔，你只需要示范几次，孩子就能举反三——今天叠蓝T恤，未来换成红毛衣，他照样能作念。但机器东说念主不可。传统的机器东说念主培训式，就像给个东说念主死记硬背"菜谱"：告诉它在哪个位置抓、往哪个向移动、放到什么度，只消场景略略变化，整套算作就沿途失。
这背后的中枢矛盾是：汇集机器东说念主磨真金不怕火数据既贵又慢。让机器东说念主着实在现场操作来录制数据，需要真实的机器东说念主硬件、需要东说念主在傍边操作遥控器、需要反复调试、还需要大批叠加考试。恶运的是，这么汇集来的数据度叠加，老是同套任务、同批场景，机器东说念主学到的"熏陶"相等短促。
小米团队的龙套在于换了个念念路：既然机器东说念主的手不好用，那就先用东说念主的手来汇集数据。UMI装配让普通东说念主手持操作就能生成质料的算作数据，不需要着实的机器东说念主在场。这个法让数据汇集的率普及了数倍，也让数据的各样爆发。
二、从摄像到"明白"：给每段上"讲解书"
汇集了10万小时的操作摄像之后，下个难题是：机器东说念主看这些摄像，能学到什么？
单纯让机器东说念主看摄像效法，就像把个不虞志字的东说念主扔进藏书楼，他能看到每页纸，却压根不知说念上头写的是什么酷爱。机器东说念主需要的不单是"算作画面"，还需要"明白这段算作在作念什么"。
传统作念法是让东说念主工来给每段摄像写讲解：这段里，东说念主把红的盒子从桌上提起来，放进了背包。但濒临10万小时的摄像，这种东说念主工标注不可行——淌若每小时标注需要1小时，那就需要10万小时的东说念主力，差未几等于50个东说念主连接息地责任整整年。
小米团队缔造了套自动标签的活水线。他们先把每段摄像切割成固定长度的小片断，然后用个照旧很懂图像和语言的大模子（Qwen3.5-27B，个能看图话语的AI）来自动描摹每个片断里发生了什么情状变化——不是简便地说"手在动"，而是具体描摹"只手抓着块白布，正在擦抹桌面"粗略"两只手把条黄毛巾对折，收叠起来"。
为了让这套活水线能以足够快的速率运转，工程师们假想了个"分娩-花费"并行架构：组处理器门负责把摄像切成小片断存到内存里，另组同期把这些片断送给AI标签，两组互不遏制、同期责任。凭借这套假想，整整10万小时的摄像，只用了精真金不怕火两周时间就完成了沿途标注。
有了这些语言描摹，机器东说念主在磨真金不怕火时就不再只是机械地效法手的算作，而是学习"当我收到某种语言描摹的地点时，应该产生什么样的算作序列，使场景从面前情状变成地点情状"。这是个质的飞跃：机器东说念主动手学会把语言和算作讨论起来。
三、两阶段培训：先"博览群书"，再"项磨真金不怕火"
Xiaomi-Robotics-1的磨真金不怕火分为两个明确的阶段，两者之间的关系，就像培养个厨师的过程。
阶段叫作念预磨真金不怕火。在这个阶段，机器东说念主并不急着学如何用机器臂，而是先靠着那10万小时的UMI摄像，平时接管各样场景下的操作熏陶。预磨真金不怕火的地点是让模子酿成种"通用操作感知"——知说念在各样情况下，手（粗略访佛手的用具）应该如何动，才能让物体从个情状变化到另个情状。这就像个改日的厨师先在行家各地旅行，品味各样菜肴，了解食材的特，而不是急着提起锅铲。
二阶段叫作念后磨真金不怕火。这时候，团队拿出了另批数据：过1万小时的真实机器东说念主操作摄像。其中包括他们我方汇集的过7200小时的移动机械臂和双臂机器东说念主数据，诡秘多种庭场景；过1000小时的UMI数据，但这批数据配的是东说念主类日常话语时会用的教导（比如"把黄畅通鞋放到鞋架上"），而不是情状描摹；此外还有来自开源社区的BridgeV2、RT-1、DROID等数据集。
后磨真金不怕火的地点是让模子完成两个"适配"：是把在UMI手持夹上学到的操作妙技，迁徙到着实的机器东说念主手臂上；二是把在情状描摹语言放学到的材干，对接到东说念主类平时对机器东说念主话语时用的那种敕令式语言。这两个适配王人相等伏击——莫得个，机器东说念主手臂不会动；莫得二个，你对机器东说念主说"帮我把书包打理好"，它压根听不懂。
在后磨真金不怕火中，团队还用Qwen3.5模子对东说念主工切割的片断再行标注教导语言，确保这批数据里的语言作风和真实东说念主类与机器东说念主对话时保持致。同期，他们过滤掉了所有"静止"片断——便是那些机器东说念主什么王人没作念、只是待着不动的部分，避模子学到"不动"这个行径。
四、"大脑"的构造：两个构成的团队屯昌储罐保温施工队
Xiaomi-Robotics-1的里面结构也颇有假想感。它领受了种叫作念"羼杂变换器"（Mixture-of-Transformers）的架构，不错明白为由两个不同的模块融合完成任务。
个模块是视觉语言模子，基于Qwen3-VL构建。它的责任是接收摄像头拍到确面前画面和操作主说念主员给出的语言教导，然后明白"面前是什么情况""要作念什么"。除了明白这些信息，它还会径直预计批候选的算作案——但这些案像是"草稿"，而不是终有策动。
二个模块是扩散变换器（DiT），门负责生成终的算作序列。它接收视觉语言模子处理过的信息缓存，加上机器东说念主面前的要害情状，然后通过种叫作念"流匹配"的手艺，从片立地噪声起程，徐徐生成精准的算作序列。这个过程就像雕刻从块毛坯大理石动手，刀刀削掉填塞的部分，终呈现出的雕镂。具体来说，理时只需要5步迭代就能完成这个"雕刻"过程。
两个模块之间有个细节处理值得温雅：视觉语言模子生成的那些"候选算作案"，被有益屏蔽在扩散变换器的重办法界限以外。团队发现，淌若让扩散变换器"看到"这些草稿，它会偷懒——径直复制视觉语言模子的论断，而不去郑重地从视觉和语言信息中我方算作。这个"止偷懒"的假想让终的算作质料明普及。
模子共有三个尺寸：2B版块参数总量约26亿，5B版块约51亿，10B版块约105亿。不同尺寸辞别对应不同的打算资源需乞降能水平，不错阐发推行硬件条目选拔。
五、越大越好：数据和模子限度带来的普及
征询团队用系列严格的实验，考据了Xiaomi-Robotics-1在限度上是否真实"越大越好"。
在数据限度面，他们用5B版块的模子，辞别在12.5、25、50和的约2万小时UMI数据上磨真金不怕火，然后在同批留出的测试数据上评估算作预计的准确度（用均缺欠揣度，数字越小越好）。恶果相等澄清：跟着数据量的增多，预计缺欠单调着落。额外是当数据唯有12.5和25时，模子的缺欠弧线会先着落伍飞腾——这是典型的"过拟合"风景，酷爱是数据太少，模子把那点数据牢记太死，到新场景就不灵了。而当数据达到50和时，缺欠弧线全程着落，且数据的着落速率快，讲解模子还莫得"吃饱"，赓续加数据仍然能持续普及。
在模子限度面，他们把2B、5B和10B三个版块王人在同批2万小时数据上磨真金不怕火，恶果相通是限度越大、缺欠越小。不外个风趣的风景是，三个尺寸之间的差距，比数据限度之间的差距要小。这讲解在现阶段，数据量是伏击的瓶颈——模子照旧足够大，管道保温施工但数据还不够多。
要害的发现是：预磨真金不怕火阶段的限度益，会径直传到后磨真金不怕火阶段的推行施展。团队测试了个具挑战的策动：在从未见过的新环境里，机器东说念主不经过任何额外锻真金不怕火，径直完成任务（即"开箱即用"）的胜利率。恶果示，用预磨真金不怕火数据运行化的模子，开箱即用胜利率达到75；而莫得经过任何UMI预磨真金不怕火、径直从Qwen3-VL权重动手的模子，胜利率唯有26。只是用12.5的预磨真金不怕火数据，胜利率就径直翻倍到53。在模子限度上，10B版块的开箱即用胜利率达到79，著于5B的75和2B的61。
六、四个任务的真机测试
团队假想了四个靠近真实庭场景的任务，用来在真实机器东说念主上测试开箱即用材干，何况测试环境和磨真金不怕火环境不同——不仅房间不样，就连具体的物品亦然从没见过的新款。
个是鞋子整理。机器东说念主需要把双黄畅通鞋提起来，放到鞋架的指定位置。这个任务看似简便，但鞋子体式不端正、质地特殊，抓捏需要很是精准的力度摈弃。
二个是背包打理。这个任务分红多个才略：先拉开拉链，然后把个小汽车模子放进去，再把个红罐头放进去，再放个蓝小包，后把拉链拉上。这是个多才略、需要记取设施的任务。
三个是桌面整理。机器东说念主需要把桌上的几件散物品（太阳镜、牙膏、黄固体胶、个苹果）辞别放到指定的容器和位置，同期还要顺从具体的语言教导（比如"把苹果放到木质托盘上"）。
四个是沙发整理。机器东说念主需要把沙发上的红毛绒玩物、小玩物车、白衣物、黑裤子辞别放到收纳箱，并把个靠垫放正。
在10B模子的开箱即用测试中，鞋子整理的胜利率达92，背包打理和桌面整理辞别为75和89，沙发整理为77。这些数字放在面前的机器东说念主征询中属于很是的水准，额外是商量到测试环境和物品是模子从未见过的。
七、用少的数据快速学会新任务
开箱即用材干考据了模子的通用，但机器东说念主还需要个伏击材干：用极少数据快速合适全新的、复杂的任务。
团队假想了四个全新的、在通盘磨真金不怕火数据引诱从未出现过的任务，用来测试这种合适材干。
个是手机装箱。机器东说念主需要用双手配合，把手机放进箱子，再把讲解书放进去，然后盖上盖子。这个任务需要两只手的详尽融合，难度较。
二个是衣物入洗衣机。这是个移动操作任务，分为五步：开洗衣机门、把装有衣物的篮子移到洗衣机门口、把一稔从篮子回荡到洗衣机里、拿走篮子、关上洗衣机门。通盘历程跨越较大空间，需要多才略追念和奉行。
三个是印机加纸。机器东说念主需要抓取叠纸，把它递给另只手（双手叮属），然后把纸的端塞进印机纸盒，再把整叠纸入，后把两只手臂归位。纸张是度柔嫩易变形的材料，操控难度大。
四个是箱子收纳。机器东说念主需要阐发语言教导，把桌上的多个指定物品挨次放进箱子，考验的是语言明白和物品识别材干。
测试分两种数据量：低数据设定每个任务平均不到10小时的磨真金不怕火数据，数据设定揣测144小时。对比的基准是两个同类顶系统：π0.5（PhysicalIntelligence公司缔造）和Xiaomi-Robotics-0（小米上代系统）。
在低数据设定下，Xiaomi-Robotics-1的平均胜利率达到75，远π0.5的40；数据设定下，这个势罕见拉大，平均胜利率达到85。在印机加纸这个难的任务上，Xiaomi-Robotics-1在低数据设定下胜利率达到70，而好的对比法唯有20——差距是3.5倍。在衣物入洗衣机任务上，π0.5因为经常卡在"开洗衣机门"这步而失败，Xiaomi-Robotics-0在低数据设定下压根法完周至历程，而Xiaomi-Robotics-1在低数据设定下就达到了80的胜利率和96的进程得分（进程得分揣度的是"固然没完成，但作念到了哪步"）。
八、四大模拟基准测试的先
除了真机测试，团队还在四个的模拟测试平台上进行了评估，与面前顶的系统进行了横向相比。
RoboCasa是个模拟厨房环境的基准，包含24种日常厨房任务，测试时使用的是磨真金不怕火中从未出现过的物品形势和部分全新的厨房作风。Xiaomi-Robotics-1在这个基准上的平均胜利率达到74.5，过了之前好的World2Act系统（72.6），也过了NVIDIA的GR00TN1.6（66.2）。
RoboCasa365是RoboCasa的升版，把任务数目从24种推广到365种，场景过2500个，物品过3200种，还额外假想了"从未见过的复合任务"评测——也便是把模子往时学过的简便妙技组合成新的复杂任务，考验着实的泛化材干。Xiaomi-Robotics-1在总平均胜利率上达到57.4，比之前好的ABot-M0.6系统（46.6）出了10.8个百分点。在难的"未见复合任务"分项上，Xiaomi-Robotics-1达到32.1，而ABot-M0.6唯有7.9——差距接近4倍，讲解Xiaomi-Robotics-1具备了将已学妙技无邪重组的材干。
VLABench是个加珍贵语言明白和泛化的基准，包含100种任务类别和过2000个物品，额外假想了多种"散布偏移"测试：教导中包含隐含的东说念主类意图、跨类别物品迁徙、知识理、以及材质和外不雅的变化。在这个基准上，Xiaomi-Robotics-1的平均胜利率达到59.1，明过ERVLA（53.2）和π0.5（48.1）。额外值得提的是材质变化测试，也便是换取物品换了颜或纹理后机器东说念主还认不认得——Xiaomi-Robotics-1的胜利率达到62.6，比好的对比法出15.2个百分点，展现了强的视觉鲁棒。
RoboDojo是面前的笼统评测基准之，包含过42种模拟任务，诡秘五个维度：泛化材干（换物品换场景还能作念吗）、精度（详尽操控）、万古序（多步引诱操作）、追念（需要记取之前情状）、盛开（明白盛开语言教导）。Xiaomi-Robotics-1的总平均得分为20.07，而之前好的Hy-Embodied-0.5-VLA唯有13.07；平均胜利率为13.93，而前者为8.80。在五个维度中，Xiaomi-Robotics-1在泛化、精度、万古序、盛开四个维度均名次，唯有追念维度略低于Hy-Embodied-0.5-VLA——因为后者门在假想上加入了历史不雅测追念机制，而Xiaomi-Robotics-1在RoboDojo测试中莫得使用历史不雅测信息。
说到底，Xiaomi-Robotics-1这个系统的意旨，不单是在于它在各样测试上拿了。远的价值在于，它系统地考据了件之前在机器东说念主域存在很大不笃定的事情：限度真实有。在大语言模子域，大照旧收受了"数据越多、模子越大、能越好"的设施；但在机器东说念主域，因为数据汇集太难，这个设施直莫得被充分考据。小米团队的这项责任，用10万小时的数据和从2B到10B的模子对比实验，给出了个相对澄清的谜底：机器东说念主也驯顺相通的设施，何况预磨真金不怕火阶段的限度益会径直传递到真实机器东说念主的推行操控施展。
这对通盘行业的启示在于，汇集真实、各样、大限度的操作数据，可能是机器东说念主走向通用化值得参加的向之，而不是连接假想灵巧的算法来弥补数据的不及。天然，这项征询也存在些尚未处罚的问题：在追念型任务上的短板、在盛开式教导下的施展仍有普及空间，何况面前的测试主要引诱在庭室内场景，户外或工业场景的施展还有待罕见考据。
关于普通东说念主来说，这项征询可能距离你里着实出现个能帮你叠一稔、打理书包的机器东说念主，还有很是段距离。但它让这个距离变得短了些，也让这件事变得加可期。有兴味入了解的读者，不错通过arXiv:2607.15330查阅完好论文，小米团队也欢喜会盛开代码和模子权重。
Q&A
Q1：Xiaomi-Robotics-1和普通机器东说念主有什么不同？
A：普通机器东说念主经常只会在特定环境奉行固定任务，换个场景就失灵了。Xiaomi-Robotics-1经过10万小时真实操作数据磨真金不怕火，能在从未见过的新环境里径直完成任务，还能用少数据快速学会全新任务，无邪远传统案。
Q2：UMI装配是什么，为什么用它来汇集数据？
A：UMI是种手持抓夹装配，东说念主拿着它操作物体时，装配会自动纪录手的算作轨迹。它的势是不需要着实的机器东说念主在场，普通东说念主就能在、在餐厅、在户外遍地随时汇集数据，资本低、场景各样、可大限度部署，处罚了机器东说念主数据汇集既贵又慢的中枢难题。
Q3：Xiaomi-Robotics-1面前能在真实庭里用吗？
A：面前还处于征询阶段，还不是不错径直买到里用的花费家具。但真机测试示它在鞋子整理、桌面整理等庭任务上胜利率已达75到92，征询团队也策动盛开代码和模子，改日营业化落地的旅途正在徐徐澄清。邮箱：215114768@qq.com相关词条:设备保温 塑料挤出机厂家 预应力钢绞线 玻璃丝棉 万能胶厂家
1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定屯昌储罐保温施工队，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。