雷军公布小米机器人最新进展，消费级显卡即可运行。
2月12日消息，小米又憋了个大的。
今天，雷军在微博上正式宣布，小米机器人团队发布了全新的具身智能VLA模型——Xiaomi-Robotics-0，并同步开源。此次还首次公开了该模型的实机运行画面。
这不是一次普通的科技升级，而是小米在机器人领域实现的重要突破。拥有47亿参数规模，兼具视觉语言理解和高效实时执行能力，在三大主流仿真测试中全面超越行业标杆，斩获所有项目的第一名（SOTA，即当前公开可验证的最先进水平），并在真实机器人上实现了流畅的动作表现。
而最具颠覆性的是，它能够在普通消费级显卡上实现实时推理，直接打破了高端机器人模型“只能在实验室运行、普通人难以负担”的局限，这也是其区别于同类产品的核心亮点之一。 这一突破意味着人工智能技术正逐步从实验室走向更广泛的应用场景，降低了技术门槛，让更多人有机会接触到先进的AI能力。这种技术下沉不仅有助于推动行业创新，也为普通用户带来了更多实际价值。随着硬件成本的降低和算法效率的提升，未来人工智能将更加贴近日常生活，成为真正普惠的技术工具。
很多人好奇，现在的机器人模型，到底卡在哪了？
行业里藏着两个多年未解决的核心痛点：
第一，传统VLA（视觉-语言-动作）模型尽管在参数规模和泛化能力方面表现不俗，但在实际物理环境中却面临显著挑战。其庞大的推理延迟导致机器人操作时出现明显延迟，动作不够连贯，仿佛“延迟卡顿的木偶”，难以实现像人类那样自然流畅的操作，被网友戏称为“反应迟钝的木头人”。这种问题限制了其在现实场景中的应用效果，也引发了对模型效率与实用性之间平衡的进一步思考。
第二，硬件门槛极高：稍微具备高性能的模型，必须依赖昂贵的专业显卡才能正常运行，普通开发者、小团队根本碰不起，导致先进技术只能被锁在实验室，无法落地普及。
在此基础上，还有一个普遍存在的难题。许多模型在仿真测试中表现良好，但一应用到实际机器上就出现性能下降，难以在现实环境中稳定完成叠毛巾、拆积木等真实的物理操作任务，导致理论与实践严重脱节。而此次小米推出的Xiaomi-Robotics-0，正是为了解决这些行业长期存在的问题。
小米正式发布Xiaomi-Robotics-0，这是一个拥有47亿参数、兼具视觉语言理解和高性能实时执行能力的开源VLA模型。该模型在三大主流仿真测试中表现优异，并在真实机器人任务中展现出出色的物理智能泛化能力，动作连贯、反应灵敏，且能够在消费级显卡上实现实时推理。这一进展标志着国产机器人技术在智能化和自主性方面迈出了重要一步，也为未来家庭服务机器人、工业自动化等应用场景提供了强有力的技术支撑。随着开源生态的逐步完善，这类技术的普及与应用将更加广泛，对推动整个行业的发展具有深远意义。
这句话准确总结了模型的核心优势，尤其需要突出的是，它无需依赖高端计算设备，也不需要花费大量资金购买专业显卡，普通消费级显卡即可使其稳定运行。这也是小米此次取得的最具突破性的成果之一，直接降低了具身智能技术的落地门槛。
能做到这一点，核心是小米自研的Mixture-of-Transformers（MoT）混合架构，通俗说就是给机器人装了 “双脑协同系统”，兼顾决策与执行效率。
视觉语言大脑（VLM）能够理解人类语言并感知周围环境，即使面对“把毛巾叠好”这类较为模糊的指令，也能准确把握其中的空间关系和任务目标。这种能力保留了VLM原有的多模态理解优势，而这也是许多此前的VLA模型所缺乏的。这一技术进展为智能交互系统提供了更强大的基础，有助于提升人机协作的效率与自然度。在实际应用中，这种能力将使机器人或智能设备更好地适应复杂、动态的环境，推动人工智能向更贴近人类认知的方向发展。
另一个是动作执行小脑（DiT），专门用于将指令转化为流畅的动作，生成连贯自然的“动作片段”，并通过流匹配技术实现精准稳定的控制，使机器人摆脱机械僵硬的问题，动作更加接近人类的灵活性，从根本上解决了传统模型动作不连贯的难题。
为了让机器人既聪明又高效，团队还制定了一套两阶段的训练方案。 看法观点：这一训练方案体现了当前人工智能技术在提升机器人综合能力方面的积极探索。通过分阶段训练，不仅有助于系统逐步掌握复杂任务，也能在实际应用中提高稳定性和适应性，为未来更广泛的应用打下基础。
通过跨模态预训练，模型在学习动作的同时，依然能够保持对物体识别、视觉问答等基础能力的掌握，避免出现“只懂操作、忽略理解”的问题。同时，借助ActionProposal机制，使视觉语言模型的特征空间与动作空间实现有效对齐，为后续的实际操作应用奠定坚实基础。这一技术路径不仅提升了模型的综合能力，也为智能系统的实用化提供了更可靠的支撑。
通过后训练优化，采用异步推理模式从机制上解决真实设备中的“动作断层”问题，配合CleanActionPrefix确保动作轨迹平滑连续、不出现抖动。同时，借助Λ-shape Attention Mask，使机器人更专注于当前视觉反馈，摆脱历史状态的干扰，即使在环境发生微小变化时也能快速响应，显著提升对不同环境的适应能力。
分拣不同颜色的积木
将大块积木逐步拆成小块
将毛巾摊平-叠好
主动将多余毛巾放回以进行叠放
从此次曝光的真机视频中可以直观看到，设备在处理毛巾这类柔软物体时，能够先将其铺平，随后进行对折，并整理得整整齐齐，对于多余的毛巾，还能主动放回原位。 在我看来，这种智能化的处理方式体现了当前家用机器人技术在柔性物体识别与操作上的显著进步。以往这类任务对机器人来说颇具挑战，而如今设备已能较为精准地完成类似操作，说明相关算法和机械设计正在不断优化，未来在家庭服务领域的应用前景值得期待。
面对刚性积木，它能够逐步稳妥地进行拆解，手眼协调表现稳定，不会出现卡顿或失误。无论是软质材料还是硬质物件，都能高效完成，这正是物理智能在实际场景中的直观体现，也是小米此次技术突破的核心价值所在。 从行业角度来看，这种技术的成熟与应用，标志着人工智能在物理交互领域的进一步深化。小米在这一方向上的探索，不仅提升了设备的实用性，也为未来智能家居的发展提供了新的可能性。随着技术不断迭代，这类具备高稳定性和适应性的智能系统，或将逐步成为日常生活中不可或缺的一部分。
在 Libero、Calvin、SimplerEnv 三大全球主流具身智能测试集里，Xiaomi-Robotics-0 对标超过 30 款主流模型，在所有基准测试中全部拿下SOTA，用实打实的数据坐稳行业第一梯队，真正实现了 “仿真通、真机强、多模态能力不丢失” 的突破。
比技术更引人注目的是小米的格局：此次成果实现全面开源——技术主页、GitHub上的源代码以及HuggingFace的模型权重全部公开，全球开发者均可免费使用和进行二次开发。相关资源可在多个平台上直接获取，彻底打破了大厂对具身智能核心技术的垄断。
这意味着，曾经高高在上的具身智能技术，首次真正向行业开放，不再只是大公司的专属工具，普通开发者也能加入其中，推动整个行业的技术进步。
雷军在微博上透露，小米早已深入布局机器人领域，目前仍在全球范围内招募顶尖人才，团队也在持续发力下一代技术的研发。此次推出的Xiaomi-Robotics-0只是阶段性成果，未来还将有更多突破性进展。
当机器人不再只是展示用的卡顿设备，而是动作流畅、反应迅速，并且能够在消费级硬件上稳定运行的真实产品时，标志着“家用机器人走进千家万户”的愿景正逐渐从设想变为现实。 随着技术的不断进步，家用机器人的发展已经超越了早期的概念阶段。如今，它们不仅在性能上有了显著提升，而且在成本控制和实用性方面也取得了突破，使得这一技术更接近普通消费者。这预示着一个更加智能、便捷的生活方式正在逐步到来。
