小米开源具身基座模型Xiaomi-Robotics-1，4大指标力压竞品、适配新本体成功率更高

【导语：2026年8月5日，小米自研的具身基座模型Xiaomi - Robotics - 1正式开源，它在多个主流机器人操作benchmark上表现出色，训练范式独特，参数规模选择也有其考量，对行业影响深远。】

开源模型横扫主流benchmark

2026年8月5日，小米技术官微宣布自研的具身基座模型Xiaomi - Robotics - 1正式开源。该模型实力强劲，在4个主流机器人操作benchmark上击败了Pi0、Gemma3、Qwen2.5 - VL等竞品。其中，在RoboDojo上的表现比对手高了58.3%，在VLABench上高出第二名11.1个百分点。

两阶段训练范式优势尽显

XR - 1采用两阶段训练范式，即大语言模型式的预训练 + 后训练。预训练使用来自1700多个场景的UMI轨迹数据，超过10万小时。UMI通过手持设备收集人类操作轨迹并映射到机器人动作空间，此阶段让模型形成对物理交互的基本认知，且该预训练数据量是目前开源VLA模型里最大的。

后训练使用7200小时以上在CyberDog和CyberOne上实际跑出来的真机数据，意味着模型跨越了从仿真到真实的迁移。同时训练中做了视觉生成增强，加入MiMo预测头提升空间推理能力。这种两阶段设计在适配新机器人本体时优势明显，给不到10小时的新本体数据，XR - 1在未见过的任务上就能达到75%成功率，而Pi0.5在同等条件下仅为40%；给到40小时以内，XR - 1能达到85%，Pi0.5还在53%。

50亿参数规模的务实之选

XR - 1总参数50亿，在2026年的VLA模型赛道上不算大，OpenAI的π0.5、Google的RT - 2 - X等都是更大的模型。但具身智能对推理延迟要求极高，更大的模型意味着更慢的推理速度、更高的硬件门槛和更难部署到实际机器人本体上。

小米选择5B的VLA架构，其视觉编码器用了SigLIP2 - 400M和Gemma3 - 12B的集成方案，动作解码器是diffusion - based head。5B模型可以直接跑在单张消费级GPU上，大幅降低了社区复现和实际部署的门槛。

编辑观点：小米开源的具身基座模型Xiaomi - Robotics - 1在性能、训练范式和参数规模上都有独特优势，降低了行业门槛，有望推动具身智能的发展。