赛事深度解析

小米技术于 7 月 16 日上午发布了其具身基座模型 Xiaomi-Robotics-1，该模型经过 10 万小时的真实世界操作数据预训练，并结合了跨本体后训练，实现了“开箱即用”的功能。

Xiaomi-Robotics-1 的预训练阶段利用了 10 万小时的真实操作轨迹数据。这些数据通过 Universal Manipulation Interface（UMI）设备采集，涵盖了家庭、商业、工业、办公室及户外等多种环境，并包含了丰富的物体交互和操作行为。

项目团队开发了一种可扩展的自动标注流程，将长轨迹分割成固定长度的片段，并利用视觉语言模型描述片段内夹爪和交互物体的状态变化。通过此流程，模型能够在当前视觉观察和语言条件下学习生成能够改变场景状态的动作，并且在约 2 周内完成了全部 10 万小时数据的标注。

Xiaomi-Robotics-1 采用预训练与后训练相结合的两阶段训练模式。预训练阶段旨在学习通用的动作生成能力，模型需要根据当前的视觉观察和语言描述，预测一系列动作以使场景从当前状态过渡到目标状态。

后训练阶段则专注于解决本体对齐和指令对齐两大问题。本体对齐是将预训练阶段从 UMI 数据中获得的动作生成能力迁移到实际的机器人本体上。指令对齐则是将“根据状态变化描述生成动作”的能力转化为“根据人类自然语言指令执行任务”的能力。

为实现这些目标，团队构建了约 10000 小时跨本体的后训练数据，其中包括 7200 余小时的移动操作机器人和双臂机器人数据、1000 余小时的人工标注 UMI 数据，以及 Bridge V2、RT-1、DROID 等公开机器人数据集。

完成训练后，Xiaomi-Robotics-1 能够直接在真实环境中根据自然语言指令执行各类移动操作任务。在复杂的精细操作任务上，该模型可以通过少量下游真实机器人数据进行高效微调，无需从零开始学习。这种“先训练通用基座，再用少量数据适配任务”的模式，有助于降低新任务开发的数据和训练成本。

在 RoboCasa365 基准测试中，Xiaomi-Robotics-1 取得了 57.4% 的平均成功率。在 Composite-Unseen 任务划分下，该模型展现了强大的任务组合泛化能力。

在 RoboDojo 仿真评测中，Xiaomi-Robotics-1 以 20.07 的平均分数和 13.93% 的平均成功率位居排行榜首位，显著超越了此前行业最佳方法的记录（13.07 分 / 8.80% 成功率）。

在 VLABench 评测中，Xiaomi-Robotics-1 也达到了行业领先水平（SoTA），平均成功率为 59.1%，平均进度得分为 70.3%。

在 RoboCasa 基准测试中，Xiaomi-Robotics-1 取得了 74.5% 的平均成功率，优于 RLDX-1、Cosmos Policy、GR00T N1.6、Pi-0.5、Pi-0-FAST 等其他方法。