小米的首代机器人VLA大模型来了！丝滑赛德芙，推理延迟仅80ms丨全面开源 – 量子位
小米的首代机器人VLA大模型来了！丝滑赛德芙，推理延迟仅80ms丨全面开源
4090就能跑
就是说，这几天还有哪档晚会节目是没有机器人现身的吗？
光是过年全家乐的央视除夕春晚，就有好几家具身智能公司的机器人宣布将亮相。
大厂小厂密集入局，资本追逐、媒体传播……具身机器人几乎成了继AI大模型后，下一轮科技叙事的中心。
具身机器人行业也确实处在一个非常有意思的坐标点上：
一边是繁花似锦的视觉盛宴，各种高难度动作频频刷屏，让大众因为“看见”而开始对具身智能的未来深信不疑。
另一边，充满了行业对“真实价值”的迫切期待，大家开始关心，这些机器人什么时候能真正走进工厂、处理琐碎，释放出实实在在的生产力。
这种期待，其实折射出具身智能正在经历的一场范式演进。
机器人要真正成为生产力，核心含金量终究要落在“自主性”上。目前的“人工辅助”或“单步遥操”在技术验证阶段是合理路径，也有助于积累数据与经验。
但如果一个机器人在执行过程中频繁停顿、修正缓慢，人类就不得不高频次介入，打断自动化流程。
如果每台机器人都需要一个人类兜底，那……（不讲不讲.gif）
只有一个人能同时监管十台甚至一百台、一千台机器人的时候，只有每台具身机器人都能在长时间任务中持续决策、持续修正、持续执行的时候，大家密切关注的具身智能才不是一种空谈。
所以不难理解为什么小米的第一个具身VLA大模型，抓住的是具身机器人间歇停顿这个问题。
在4.7B参数规模下，Xiaomi-Robotics-0实现80ms推理延迟、30Hz实时控制频率，在消费级显卡（4090）上就能跑得飞起。
在LIBERO、CALVIN、SimplerEnv等仿真+真实环境的主流基准上，Xiaomi-Robotics-0均刷新SOTA。
And，最重要的事情说三遍：
这模型是开源的，开源的，开源的。
解读Xiaomi-Robotics-0三大技术创新
为了实现上述效果，小米在Xiaomi-Robotics-0上做了三项核心技术创新，分别落在架构设计、预训练策略与后训练机制上。
三部分共同指向一个目标，让机器人既能理解复杂环境，又能连续、稳定、精准地执行动作。
双脑协同：用DiT做小脑，一次性生成连续动作块
首先是架构层面的大动刀。
小米采用了目前主流的MoT（Mixture-of-Transformers）架构，但巧妙地将工作细分成了“大脑”和“小脑”。
大脑部分是VLM（视觉语言模型），负责全局的看、听、理解和决策；小脑部分则引入了只有16层的DiT（Diffusion Transformer）架构。
这个设计的高明之处在于，大脑输出的KV cache会传递给小脑，由小脑专门负责输出连续的动作块，这就改变了动作生成的粒度。
传统离散token方式会对连续动作进行离散化编码，精度容易被截断，轨迹会有细微不连续。
DiT配合流匹配技术，可以直接生成连续动作向量，动作更平滑灵巧。
同时，通过引入flow matching流匹配训练机制，Xiaomi-Robotics-0在训练阶段直接学习连续动作分布之间的概率流映射，推理阶段所需采样步数从传统扩散模型（如DDPM）通常需要的数十至数百步，压缩至五步。推理链路显著缩短，为低延迟实时控制提供了基础。
由于DiT与底层VLM同为Transformer结构，可以直接复用VLM的KV Cache，减少重复计算。
从整体架构看，大脑与小脑之间通过KV缓存松耦合连接，既保证理解能力，又控制了计算量。
这种松耦合的设计大幅降低了推理延迟，让机器人的动作不仅平滑灵巧，反应速度也达到了毫秒级——4.7B总参数的模型，推理延迟80ms，支持30Hz控制频率，在消费级显卡（RTX 4090）上可以实时丝滑运行。
两阶段预训练：学会动作，也保住视觉理解能力
小米在Xiaomi-Robotics-0的第二项创新中，解决了一个具身模型长期存在的“顾此失彼”难题。
很多模型在学了大量的机器人动作数据后，原本强大的视觉理解能力（VL能力）会迅速退化，结果只会干活，脑子不会思考了。
为了确保模型不变傻，小米在预训练阶段采用了两阶段特训。
第一阶段，通过Choice Policy与跨平台机器人轨迹数据，让VLM在理解图像与指令的同时，能够粗粒度预测动作块。
这一步的核心是对齐视觉特征空间与动作空间，让模型在“看见什么”与“如何动”之间建立映射。
与此同时，在预训练中混合视觉语言数据，避免VLM遗忘原有的视觉推理能力，建立起一种“看到这个画面，就该有这种手感”的直觉。
在从营销转向工程细节。而且在这个阶段开源高质量的基础模型，无疑是隐形承担了行业基础设施建设者的角色。
这不仅是企业行为，更是产业行为。
在机器人这样一个需要长期投入的领域，这种开放姿态释放出的信号十分明确。小米这一波，确实展现了科技大厂应有的担当。
技术主页：
https://xiaomi-robotics-0.github.io
GitHub：
https://github.com/XiaomiRobotics/Xiaomi-Robotics-0
抱抱脸模型权重：
https://huggingface.co/XiaomiRobotics
(来源:量子位)
关联资讯:
Axis Robotics 完成 1 万条众包轨迹采集，验证零硬件投入下的机器人数据扩展模型
Polymarket CEO：1 月 Polymarket 访问量达 3840 万次，位列加密应用网站第二
