微新创想：具身智能（Embodied AI）领域今日迎来重磅进展。小米正式开源其首代机器人大模型 Xiaomi-Robotics-0。该模型拥有 47亿参数，旨在解决现有 VLA（视觉-语言-动作）模型由于推理延迟导致机器人动作迟缓的痛点，实现了在消费级显卡上的实时推理与高效泛化。
核心架构：大脑与小脑的协同。为了兼顾通用理解与高频控制，Xiaomi-Robotics-0采用了创新的 MoT（Mixture-of-Transformers）混合架构。视觉语言大脑（VLM）作为底座，负责解析人类模糊指令并捕捉高清视觉中的空间关系。动作执行小脑（Action Expert）嵌入多层 Diffusion Transformer （DiT），通过流匹配技术生成精准的“动作块（Action Chunk）”，确保物理执行的灵活性。
训练秘籍：两阶段进化论。小米研发团队通过严谨的训练配方，平衡了模型的常识理解与体力操作能力。跨模态预训练阶段引入 Action Proposal 机制，使 VLM 在保持逻辑推理能力的同时，实现特征空间与动作空间的对齐。随后冻结 VLM，专项训练 DiT 以生成平滑的动作序列。后训练（Post-training）阶段针对真机运行的“动作断层”问题，采用异步推理模式。结合 Clean Action Prefix（确保轨迹连续）与 Λ-shape Attention Mask（强制关注当前视觉反馈），使机器人在面对环境突发变化时具备极强的响应敏捷性。
实战表现：刷新多项 SOTA。在测试中，Xiaomi-Robotics-0展现了统治级的性能。仿真标杆方面，在 LIBERO、CALVIN 和 SimplerEnv 三大主流仿真测试中，击败了30种对比模型，均取得当前最优成绩（SOTA）。真机泛化方面，在双臂机器人平台上，无论是拆解积木还是折叠柔性毛巾，模型均表现出极高的手眼协调性与物理泛化能力。
开源生态。小米此次全面开放了技术资源，包括技术主页、开源代码以及在 Hugging Face 发布的模型权重，旨在通过社区力量共同推动具身智能的边界。技术主页提供详细的模型介绍与使用文档，开源代码便于开发者进行二次开发与研究，模型权重则为研究者提供了宝贵的训练数据与模型参数。这一系列举措不仅有助于技术的快速迭代，也为行业内的创新提供了坚实的基础。