知识卡片：小米发布机器人基座模型

一句话结论
小米发布具身基座模型 Xiaomi-Robotics-1，利用 10 万小时真实操作数据和约 1 万小时跨本体数据训练，验证了机器人策略模型的 Scaling 效应，以每任务不足 10 小时数据即可适配复杂新任务，并在多个仿真基准排名第一。

事件概述
小米推出具身基座模型 Xiaomi-Robotics-1（英文名称）。该模型基于 10 万小时 UMI（Universal Manipulation Interface）真实世界操作数据预训练，并结合约 1 万小时跨本体数据进行后训练，能够“开箱即用”执行移动操作任务。研究人员通过实验验证了机器人策略模型的 Scaling 效应：预训练数据量与模型规模扩大均可提升动作预测精度和真实任务成功率。

方法/产品要点

• 基座模型：Xiaomi-Robotics-1。
• 预训练数据：10 万小时 UMI 真实世界操作数据。
• 后训练数据：约 1 万小时跨本体数据。
• 核心能力：开箱即可执行移动操作任务。
• 数据效率：每任务仅需不足 10 小时数据即可适配复杂新任务。
• 基准表现：在 RoboCasa365、RoboDojo 等多个仿真基准排名第一。

主要结果或产业意义

• 实验证实：预训练数据量和模型参数规模增大均能带来动作预测精度和任务成功率的持续提升，即 Scaling 效应在机器人策略模型中成立。
• 数据效率高：新任务适配所需数据量远低于传统方法，降低了机器人技能迁移成本。
• 跨本体能力：通过跨本体数据后训练，模型可适应不同机器人硬件平台。

为什么重要

• 这是小米在具身智能领域的首个基座模型，标志着从单一机器人控制向通用操作基座模型的跃迁。
• 首次系统验证了机器人策略模型的 Scaling 效应，为行业提供了可复现的规模化训练范式。
• 相较于已有相关卡片（如 AlphaEvolve、AlphaEarth Foundations），本卡片聚焦于机器人操作基座模型及其 Scaling 规律，增量信息在于：具身场景下大规模真实数据预训练的有效性，以及跨本体迁移的策略。

局限与不确定性

• 模型的“开箱即用”范围是否覆盖所有移动操作任务？材料未给出具体的失败案例或限制条件，待核实。
• 10 万小时 UMI 数据的具体采集方式、成本及泛化边界未披露，待核实。
• 仿真基准排名第一的表现能否完全迁移到真实世界复杂场景？材料未提供真实环境评测数据，待核实。
• 跨本体后训练数据（1 万小时）的来源及多样性细节不详，待核实。

可用于图书/PPT/简报的角度

• 机器人领域的“数据 Scaling 曲线”：从 NLP/CV 到具身智能的 Scaling 证据。
• 数据效率创新：低数据量（不足 10 小时）即可微调新任务，对产业落地有示范意义。
• 跨本体迁移：解决机器人硬件碎片化问题的一种路径。
• 小米在具身智能的布局：从消费级机器人到工业级基座模型的演进。

原始材料

• 来源 URL：https://m.sohu.com/a/1051238276_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=7
• 来自《腾讯研究院AI速递 20260717》（Parent digest）
• 英文关键词：Xiaomi-Robotics-1, Scaling Law, Embodied AI, Cross-Embodiment, UMI