智东西

作者 三北

编辑 漠影

2026 年初，黄仁勋预言物理 AI 的 "ChatGPT 时刻 "即将到来。

但机器人要复刻大模型的 Scaling Law（规模法则），比想象中难得多。机器人的训练数据需要从真实世界里获取，行业长期困在小数据、单任务、反复调参的 " 手工作坊 " 阶段。

今天，小米刚刚扔出一颗 " 深水炸弹 " ——Xiaomi-Robotics-1 具身基座模型，试图改变这一局面。

Xiaomi-Robotics-1 基于10 万小时真实世界操作轨迹进行预训练，再用约1.1 万小时跨本体数据完成后训练。据悉，这是国内首次在机器人策略模型中，对 Scaling Law 进行较为完整的系统验证。

实验结果显示，当预训练数据从 2500 小时扩大至 2 万小时，模型在验证集上的动作预测损失持续下降；当参数规模从 20 亿提升至 50 亿、100 亿，动作预测能力同样稳定改善。机器人在未见过的家庭环境中完成鞋柜收纳、书包打包等任务的成功率都随之提高。

具身智能，正在从依赖单任务数据和经验调参的 1.0 时代，迈入由数据、模型规模共同驱动的 " 工业化 "2.0 时代。

▲ Xiaomi-Robotics-1 落地机器人视频演示

项目主页：

https://robotics.xiaomi.com/xiaomi-robotics-1.html

一、10 万小时数据，验证机器人 Scaling Law

机器人行业从来不缺 " 数据越多越好 " 的共识，但难点在于数据太贵、太碎。

传统数据主要来自真机遥操作。操作者需要在真实环境中完成抓取、整理、搬运等任务，还要处理失败重试与设备维护。这种数据不仅采集慢，而且天然绑定具体机器人本体。换一台机械臂、换一个相机位置，同一任务的数据分布就会发生变化，难以复用。

Xiaomi-Robotics-1 的第一步，是重构数据来源。其 10 万小时预训练数据并非全部来自机器人，而是通过自研 UMI（Universal Manipulation Interface）便携式采集设备，记录人类在真实环境中的操作轨迹。相比传统方式，UMI 可以进入家庭、办公室、工业等多种场景，捕捉更丰富的操作行为，从而让模型学习人如何改变世界状态。

▲ Xiaomi-Robotics-1 使用了 10 万小时真实世界操作轨迹

面对 10 万小时数据，人工标注显然不可行。小米构建了一条基于视觉语言模型（VLM）的自动标注流水线：将长轨迹切分为片段，并用视觉语言模型描述状态变化。模型训练的目标，是根据视觉和语言条件，生成一段能够推动场景变化的动作序列，从 " 模仿动作 " 转向 " 理解状态变化 "。

▲ Xiaomi-Robotics-1 验证了机器人 Scaling Law

而这 10 万小时数据的威力，在实验中展现出了教科书级别的规模化收益。

随着数据规模从 2.5K 小时增加到 20K 小时，验证集动作预测损失持续下降，小规模数据容易过拟合，大规模数据则更稳定；模型规模从 2B 提升到 10B，性能同样持续提升。更重要的是，这种收益不仅存在于离线指标，也体现在真实机器人任务成功率上。

这条从 " 数据规模→模型能力→真实任务表现 " 的链路，正是机器人版 Scaling Law 的核心证据。

按照小米披露，这是国内首次对机器人策略模型 Scaling Law 进行系统验证。它意味着，机器人能力的提升，开始摆脱 " 玄学调参 "，走向 " 堆规模、涨能力 " 的可预测路径。

二、独创双阶段新范式，让机器人学会 " 开箱即用 "

仅有大规模数据，还不足以解决机器人问题。

更深层的挑战在于：数据之间不统一，能力难以迁移。UMI 数据记录的是人类操作，而非机器人控制信号；不同机器人之间的动作空间也不一致。如果直接混合训练，模型既难以统一表达，也无法执行指令。

为此，Xiaomi-Robotics-1 采用 " 预训练 + 后训练 " 的双阶段范式。

预训练阶段，模型从 10 万小时轨迹中学习通用动作表征。它关注的不是具体关节角度，而是更底层的物理规律：如何抓取物体、如何整理空间、如何通过连续动作改变环境状态。

后训练阶段，则完成两项关键对齐：一是本体对齐，把通用能力映射到真实机器人控制空间；二是指令对齐，让模型能够理解自然语言并执行任务。这一阶段使用约 11000 小时跨本体数据，包括移动操作机器人、双臂机器人数据以及 Bridge V2、RT-1、DROID 等公开数据集。

▲ Xiaomi-Robotics-1 采用双阶段新范式

这种设计的核心在于 " 分工 "：用大规模低成本数据学习通用能力，用高质量真机数据完成落地。类似于大模型先预训练，再指令微调。

结果是，模型具备了 " 开箱即用 " 能力。

在未见过的真实家居环境中，它可以根据自然语言完成鞋柜整理、桌面收纳、沙发整理等任务，而无需针对每个场景重新训练。

▲ Xiaomi-Robotics-1 在不熟悉环境中可完成沙发整理

更重要的是，规模效应得以迁移：预训练数据越多、模型越大，未见场景中的成功率越高。这说明模型学到的是可泛化能力，而非固定动作模板。

▲数据更大、模型更大，动作预测更稳定

这种能力还体现在新任务适配上。在复杂操作任务中，模型仅需平均不足 10 小时数据微调，性能就大幅超过从零训练的模型。这意味着机器人开发模式正在从 " 每个任务重新训练 "，转向 " 在基座模型上快速适配 "。

三、全球榜单 " 屠榜 "，定义基座模型新标准

一个基座模型是否具备统治力，不能只看它在自家花园里的表演，更要看它在全球顶尖实验室公认的竞技场中的表现。

Xiaomi-Robotics-1 在多个主流仿真基准上取得领先结果：

在公认极具挑战性的 RoboDojo 仿真评测中，Xiaomi-Robotics-1 以 20.07 的平均得分和 13.93% 的成功率强势登顶 Leaderboard，实现了对前最优方法的 " 断档式 " 领先，显著高于此前最优的 13.07 分和 8.80%。

▲ RoboDojo 官网 Leaderboard 截图（截至 7 月 15 日）

在覆盖数百种真实家庭场景的 RoboCasa365 基准中，Xiaomi-Robotics-1 以 57.4% 的平均成功率一骑绝尘，大幅刷新了此前由谷歌等团队保持的 46.6% 的最佳成绩。

▲ RoboCasa365 官网 Leaderboard 截图（截至 7 月 15 日）

在考验模型举一反三能力的 Composite-Unseen 任务划分中，该模型展现出了惊人的任务组合泛化能力。此外，在 RoboCasa 和 VLABench 等权威基准上，Xiaomi-Robotics-1 也拿下了全面领先的成绩。

这些基准覆盖物体操作、长程任务和组合泛化等能力，能够有效检验模型是否真正具备通用能力。尤其是在复杂组合任务中，Xiaomi-Robotics-1 展现出明显优势。

更关键的是，这些结果与真实机器人实验形成一致结论：规模提升带来的收益，既能提升离线指标，也能迁移到真实环境和新任务中。

这也在重新定义机器人基座模型的标准：不仅要参数大，更要具备规模化训练、跨本体迁移、自然语言控制和低样本适配能力。只有同时满足这些条件，机器人模型才可能成为真正的 " 基础设施 "。

结语：小米三连发闭环，中国具身智能的 " 重仓时刻 "

7 月 14 日至 16 日，小米机器人连续三天发布进展：从进厂 " 实习 " 的机器人本体，到统一生成模型 Xiaomo-Robotics — U0，再到 Xiaomi-Robotics-1，逐步构建起 " 本体—数据—模型 " 的技术闭环。

具身智能的终局，是软硬件数据一体化的系统战。小米此次亮剑，为中国庞大的机器人产业链提供了一条清晰、可落地的工业化发展路径：当数据可以规模化生产，模型可以像流水线一样迭代升级，具身智能的 "ChatGPT 时刻 "，或许真的不再遥远。