小米发布具身基座模型，首次系统验证机器人Scaling Law
Miles Bennett
小米发布Xiaomi-Robotics-1具身基座模型，用10万小时真实操作数据训练，首次在中国系统验证了机器人领域的Scaling Law——这意味着机器人能力提升开始从靠经验调参，转向可预测的「堆规模、涨能力」路径。
Scaling Law验证出来了，到底证明了什么？
Scaling Law（规模法则：模型越大、数据越多，能力就越强的规律）此前在大语言模型中已被反复验证，但在机器人策略模型中一直缺少系统证据。
小米实验显示：预训练数据从2500小时扩到2万小时，预测误差持续下降；参数从20亿提到50亿、再到100亿，能力同样稳步提升。
这意味着→ 机器人能力提升有了一条可量化的路径：投入更多数据和算力，就能换来更强的表现，不再只靠工程师反复试错。
10万小时数据从哪来？
这10万小时并非全部来自机器人自己操作，而是靠小米自研的UMI便携采集设备（一种夹在人手上的记录工具），记录真人在家里、办公室、工厂里的日常操作。
面对海量原始数据，小米用视觉语言模型搭建了自动标注流水线：把长轨迹切成片段，再描述每段的状态变化。
用大白话说＝ 模型学的不是「照着人的动作抄」，而是「理解一个东西从A状态变到B状态的物理规律」。
"预训练+后训练"两步走是怎么回事？
第一步（预训练）：用10万小时通用数据，让模型学会抓取、整理等底层物理动作规律。
第二步（后训练）：用约1.1万小时跨本体数据（涵盖移动机器人、双臂机器人及Bridge V2、RT-1、DROID等公开数据集），完成对不同机器人身体结构和自然语言指令的适配。
这意味着→ 模型具备了「开箱即用」能力：在从未见过的真实家居环境中，能根据语音指令完成鞋柜整理、桌面收纳等任务，不用每换一个场景就重新训练。
跑分成绩到底有多强？
在RoboDojo仿真评测中，Xiaomi-Robotics-1以20.07分登顶，显著高于此前最优的13.07分；成功率13.93% vs 此前最优8.80%。
在覆盖数百种真实家庭场景的RoboCasa365基准中，平均成功率57.4%，刷新了谷歌等团队保持的46.6%纪录。
在复杂任务中，模型仅需平均不足10小时数据微调，性能即大幅超过从零训练的模型——这反映出预训练阶段积累的通用能力确实能迁移到新场景。
这次发布在小米机器人战略里处于什么位置？
这是小米7月14日至16日连续三天机器人发布的收官之作：第一天发布机器人本体进厂实习进展，第二天发布统一生成模型，第三天才是这个基座模型。
三天发布逐步拼出一条「本体—数据—模型」技术闭环。
用大白话说＝ 小米想讲的故事是：机器人的身体有了、数据管道通了、大脑也到位了——接下来看这套体系能不能在真实大规模部署中兑现Scaling Law承诺的能力增长。
Content is for reference only, not financial advice.