小米公司近日宣布，正式推出并開源其首款機(jī)器人視覺語言動(dòng)作（VLA）大模型Xiaomi-Robotics-0，標(biāo)志著具身智能領(lǐng)域迎來重要技術(shù)突破。該模型以47億參數(shù)規(guī)模實(shí)現(xiàn)視覺語言理解與實(shí)時(shí)動(dòng)作執(zhí)行的深度融合，突破了傳統(tǒng)VLA模型因推理延遲導(dǎo)致的物理世界交互瓶頸，在消費(fèi)級硬件上即可完成高效推理，多項(xiàng)性能指標(biāo)刷新行業(yè)紀(jì)錄。

傳統(tǒng)VLA模型雖具備強(qiáng)大的泛化能力，但高延遲問題嚴(yán)重制約了機(jī)器人在動(dòng)態(tài)環(huán)境中的響應(yīng)速度。小米研發(fā)團(tuán)隊(duì)通過架構(gòu)創(chuàng)新破解這一難題，采用"大腦+小腦"雙核心設(shè)計(jì)：以多模態(tài)視覺語言模型（VLM）構(gòu)建認(rèn)知中樞，可解析人類模糊指令并識(shí)別復(fù)雜空間關(guān)系；通過多層擴(kuò)散變換器（DiT）搭建動(dòng)作執(zhí)行模塊，利用"動(dòng)作塊"生成技術(shù)與流匹配算法，確保機(jī)器人動(dòng)作的精準(zhǔn)性與高頻性。這種混合架構(gòu)使模型在保持認(rèn)知能力的同時(shí)，將物理交互延遲降低至行業(yè)領(lǐng)先水平。

在訓(xùn)練體系方面，小米獨(dú)創(chuàng)跨模態(tài)兩階段訓(xùn)練法。預(yù)訓(xùn)練階段通過動(dòng)作提議機(jī)制實(shí)現(xiàn)視覺特征與動(dòng)作空間的深度對齊，在凍結(jié)VLM參數(shù)的前提下專項(xiàng)優(yōu)化DiT模塊，使模型同時(shí)掌握物體識(shí)別、邏輯推理與操作技能。后訓(xùn)練階段引入異步推理框架，結(jié)合清潔動(dòng)作前綴與Λ型注意力掩碼技術(shù)，有效解決真實(shí)機(jī)器人執(zhí)行中的動(dòng)作斷層問題，既保證運(yùn)動(dòng)軌跡的連續(xù)性，又強(qiáng)化了對實(shí)時(shí)視覺反饋的響應(yīng)能力。

為推動(dòng)技術(shù)生態(tài)建設(shè)，小米已全面開源Xiaomi-Robotics-0的技術(shù)文檔、訓(xùn)練代碼及模型權(quán)重，提供完整的開發(fā)工具鏈支持。與此同時(shí)，小米機(jī)器人團(tuán)隊(duì)正式啟動(dòng)全球人才招募計(jì)劃，面向計(jì)算機(jī)視覺、強(qiáng)化學(xué)習(xí)、機(jī)器人控制等領(lǐng)域?qū)＜遥餐剿魑锢碇悄艿那把剡吔?。此次開源不僅為學(xué)術(shù)界提供重要研究基準(zhǔn)，更為工業(yè)界落地具身智能應(yīng)用開辟了新路徑。