小米發布具身基座模型，首次系統驗證機器人Scaling Law
Miles Bennett
小米發布Xiaomi-Robotics-1具身基座模型，以10萬小時真實操作數據訓練，首次在中國系統驗證了機器人領域的Scaling Law——這意味著機器人能力提升開始從靠經驗調參，轉向可預測的「堆規模、漲能力」路徑。
Scaling Law驗證出來了，到底證明了甚麼？
Scaling Law（規模法則：模型越大、數據越多，能力就越強的規律）此前在大語言模型中已被反覆驗證，但在機器人策略模型中一直缺少系統證據。
小米實驗顯示：預訓練數據從2500小時擴到2萬小時，預測誤差持續下降；參數從20億提到50億、再到100億，能力同樣穩步提升。
這意味著→ 機器人能力提升有了一條可量化的路徑：投入更多數據和算力，就能換來更強的表現，不再只靠工程師反覆試錯。
10萬小時數據從哪來？
這10萬小時並非全部來自機器人本身，而是靠小米自研的UMI便攜採集設備（一種夾在人手上的記錄工具），記錄真人在家中、辦公室、工廠裡的日常操作。
面對海量原始數據，小米用視覺語言模型搭建了自動標註流水線：把長軌跡切成片段，再描述每段的狀態變化。
簡單來說＝ 模型學的不是「照著人的動作抄」，而是「理解一個物件從A狀態變到B狀態的物理規律」。
「預訓練+後訓練」兩步走是怎麼回事？
第一步（預訓練）：用10萬小時通用數據，讓模型學會抓取、整理等底層物理動作規律。
第二步（後訓練）：用約1.1萬小時跨本體數據（涵蓋移動機器人、雙臂機器人及Bridge V2、RT-1、DROID等公開數據集），完成對不同機器人身體結構和自然語言指令的適配。
這意味著→ 模型具備了「開箱即用」能力：在從未見過的真實家居環境中，能根據語音指令完成鞋櫃整理、桌面收納等任務，毋須每換一個場景就重新訓練。
跑分成績到底有多強？
在RoboDojo仿真評測中，Xiaomi-Robotics-1以20.07分登頂，顯著高於此前最優的13.07分；成功率13.93% vs 此前最優8.80%。
在覆蓋數百種真實家庭場景的RoboCasa365基準中，平均成功率57.4%，刷新了Google等團隊保持的46.6%紀錄。
在複雜任務中，模型僅需平均不足10小時數據微調，性能即大幅超過從零訓練的模型——這反映出預訓練階段積累的通用能力確實能遷移到新場景。
這次發布在小米機器人戰略裡處於甚麼位置？
這是小米7月14日至16日連續三天機器人發布的收官之作：第一天發布機器人本體進廠實習進展，第二天發布統一生成模型，第三天才是這個基座模型。
三天發布逐步拼出一條「本體—數據—模型」技術閉環。
簡單來說＝ 小米想講的故事是：機器人的身體有了、數據管道通了、大腦也到位了——接下來看這套體系能否在真實大規模部署中兌現Scaling Law承諾的能力增長。
Content is for reference only, not financial advice.