今日 , 小米对外发布开源 VLA 模型 Xiaomi-Robotics-0，拥有 47 亿参数、兼具视觉语言理解与高性能实时执行能力，刷新多项 SOTA。它在现实真机任务中实现了物理智能的泛化 —— 动作连贯、反应灵敏，且能在消费级显卡上实现实时推理。

据官方介绍获悉，物理智能的核心在于 " 感知 - 决策 - 执行 " 的闭环质量。为了兼顾通用理解与精细控制，Xiaomi-Robotics-0 采用了主流的 Mixture-of-Transformers ( MoT ) 架构。

视觉语言大脑（VLM）： 团队采用了多模态 VLM 大模型作为底座。它负责理解人类的模糊指令（如 " 请把毛巾叠好 "），并从高清视觉输入中捕捉空间关系。

动作执行小脑（Action Expert）：为了生成高频、平滑的动作，团队嵌入了多层的 Diffusion Transformer ( DiT ) 。它不直接输出单一动作，而是生成一个 " 动作块 "（Action Chunk），并通过流匹配（Flow-matching）技术确保动作的精准度。

针对大部分 VLA 模型在学动作时往往会 " 变笨 "，失去本身的理解能力的问题。小米通过多模态与动作数据的混合训练，让模型在学会操作的同时，依然保持强大的物体检测、视觉问答和逻辑推理能力。

VLM 协同训练：首先引入了 Action Proposal 机制，强迫 VLM 模型在理解图像的同时预测多种动作分布。这一步是为了让 VLM 的特征空间与动作空间对齐，不再仅仅是 " 纸上谈兵 "。

DiT 专项训练：随后冻结 VLM，专注于训练 DiT，学习如何从噪声中恢复出精准的动作序列。在这一阶段，小米去除了 VLM 的离散 Token，完全依赖 KV 特征进行条件生成。通过 DiT 专项训练，模型可以生成高度平滑、精准的的动作序列。

针对推理延迟引发的真机 " 动作断层 " 问题，小米团队采用异步推理模式 —— 让模型推理与机器人运行脱离同步约束、异步执行，从机制上保障动作连贯流畅。为进一步强化模型对环境变化的响应敏捷性与运行稳定性，小米引入了：

Clean Action Prefix：将前一时刻预测的动作作为输入，确保动作轨迹在时间维度上是连续的、不抖动的，进一步增加流畅性。

Λ -shape Attention Mask：通过特殊的注意力掩码，强制模型更关注当前的视觉反馈，而不是沉溺于历史惯性。这让机器人在面对环境突发变化时，能够展现出极强的反应性物理智能。

据小米官方介绍 , 在多维度的测试中，Xiaomi-Robotics-0 展现出优异的表现：

仿真标杆： 在 LIBERO、CALVIN 和 SimplerEnv 测试中，模型在所有的 Benchmark、30 种模型对比中，均取得了当前最优的结果。

真实挑战： 团队在双臂机器人平台上部署了模型并与行业标杆进行了横向对比。在积木拆解和叠毛巾这种长周期、高度挑战的任务中，机器人展现出了极高的手眼协调性。无论是刚性的积木还是柔性的织物，都能处理得游刃有余。

多模态能力：模型保留了 VLM 本身的多模态理解能力，尤其是在具身更相关的 benchmark 中表现优异，这是之前的 VLA 模型所不具备的。

目前 , 小米已经宣布将模型进行开源 , 感兴趣的小伙伴可以体验一下。

近期文章精选：

华为上半年新机爆料汇总，价格值得期待

苹果春季新品汇总！iPhone iPad Mac 你期待哪款？

小米 18 爆料汇总！成本激增 要涨价了？

Siri 史诗级升级！iPhone18Pro 可变光圈主摄？

华为苹果领衔 TOP5 厂商入场，阔折叠方向对了吗？