Xiaomi-Robotics-0模型官网首页入口，小米开源的首代机器人VLA（视觉-语言-动作）大模型

Xiaomi-Robotics-0模型是小米开源的首代机器人VLA（视觉-语言-动作）大模型，搭载47亿参数，创新采用MoT混合架构——以Qwen3-VL多模态模型为“大脑”，负责解析视觉与语言指令、理解场景意图；以Diffusion Transformer（DiT）为“小脑”，专注生成高频平滑动作块。模型突破性引入异步执行机制与Λ-shape注意力掩码，从根源上解决推理延迟导致的动作卡顿问题，实现消费级显卡上的实时流畅控制，不仅在LIBERO、CALVIN等主流仿真基准测试中刷新SOTA纪录，更成功落地积木拆解、毛巾折叠等真机双臂实操任务，推动具身智能向低成本、高可用落地。

Xiaomi-Robotics-0模型功能特点：

1、自然语言理解：

精准解析人类模糊指令，快速识别视觉输入中的空间关系、物体属性及操作意图，实现“指令-动作”精准映射。

2、高频平滑动作生成：

输出连贯、精准的动作序列，有效避免卡顿断层，驱动机器人完成精细化物理操作，适配各类实操场景。

3、实时异步执行：

支持“动作执行与推理并行”，执行当前动作块的同时，同步推理下一动作区块，保障动作全程连贯流畅。

4、双臂协同操作：

可完成积木拆解、毛巾折叠等复杂长周期任务，实现双手精准配合，突破单一动作的操作局限。

5、自适应策略调整：

面对抓取失败、环境突变等突发情况，能自动切换动作策略，灵活适配场景变化，提升实操成功率。

6、多模态能力留存：

保留视觉问答、物体检测等通用多模态理解能力，有效避免模型灾难性遗忘，兼顾通用与专项需求。

Xiaomi-Robotics-0模型技术原理：

1、MoT混合架构：

总参数量47亿，采用“大脑+小脑”双核心设计——以Qwen3-VL-4B多模态模型为“大脑”，高效处理视觉、语言双重输入，精准理解场景与指令；以Diffusion Transformer（DiT）为“小脑”，专注生成高频、平滑的动作序列，兼顾通用理解能力与精细动作控制。

2、两阶段专项训练：

第一阶段通过Action Proposal机制，让VLM（视觉语言模型）学习动作分布、对齐特征空间，混合视觉语言与机器人实操数据训练，有效防止模型遗忘通用能力；第二阶段冻结VLM权重，专项训练DiT，通过流匹配技术从噪声中恢复精准动作序列，强化动作生成精度。

3、异步执行机制：

机器人执行当前动作块的同时，并行推理下一动作区块，通过Clean Action Prefix将前一时刻动作作为输入条件，确保动作轨迹的时序连续性，从机制上消除推理延迟导致的动作断层，保障流畅性。

4、Λ-shape注意力掩码：

替换DiT传统的因果注意力掩码，支持紧邻前缀的噪声token关注历史动作，实现动作平滑过渡；同时禁止后续token访问前缀，强制其聚焦视觉信号，避免模型复制“惯性动作”，大幅提升对环境突发变化的反应灵敏度。

Xiaomi-Robotics-0模型应用场景：

1、工业精密装配：

可精准拆解由多达20块积木组成的复杂装配体，适配电子产品、汽车零部件等精密组装、拆解场景，提升装配效率与精度。

2、家庭服务清洁：

能主动甩动毛巾暴露遮挡角落，识别环境中的多余物品并归位，可应用于家务辅助、养老护理等家庭服务场景，减轻人力负担。

3、物流仓储分拣：

依托高频平滑的动作生成能力，可灵活处理不同形状、材质的多样化商品，适配物流仓储中的分拣、搬运等环节。

4、科研教育开发：

全面开源适配，支持高校、研究机构开展具身智能算法研究、机器人控制策略开发及教学演示，助力科研与教育落地。

5、商业交互展示：

可部署于展厅、门店、发布会等商业场景，直观展现低延迟、高流畅度的人机协作能力，传递品牌技术实力，提升品牌形象。

进入Xiaomi-Robotics-0模型官网入口