小米扔深水炸彈：100000h真實數據，首次系統驗證機器人Scaling Law

智東西
作者 三北
編輯 漠影

2026年初，黃仁勛預言物理AI的“ChatGPT時刻”即將到來。

但機器人要復刻大模型的Scaling Law（規模法則），比想象中難得多。機器人的訓練數據需要從真實世界里獲取，行業長期困在小數據、單任務、反復調參的“手工作坊”階段。

今天，小米剛剛扔出一顆“深水炸彈”——Xiaomi-Robotics-1具身基座模型，試圖改變這一局面。

Xiaomi-Robotics-1基于10萬小時真實世界操作軌跡進行預訓練，再用約1.1萬小時跨本體數據完成后訓練。據悉，這是國內首次在機器人策略模型中，對Scaling Law進行較為完整的系統驗證。

實驗結果顯示，當預訓練數據從2500小時擴大至2萬小時，模型在驗證集上的動作預測損失持續下降；當參數規模從20億提升至50億、100億，動作預測能力同樣穩定改善。機器人在未見過的家庭環境中完成鞋柜收納、書包打包等任務的成功率都隨之提高。

具身智能，正在從依賴單任務數據和經驗調參的1.0時代，邁入由數據、模型規模共同驅動的“工業化”2.0時代。

▲Xiaomi-Robotics-1落地機器人視頻演示

項目主頁：
https://robotics.xiaomi.com/xiaomi-robotics-1.html

一、10萬小時數據，驗證機器人Scaling Law

機器人行業從來不缺“數據越多越好”的共識，但難點在于數據太貴、太碎。

傳統數據主要來自真機遙操作。操作者需要在真實環境中完成抓取、整理、搬運等任務，還要處理失敗重試與設備維護。這種數據不僅采集慢，而且天然綁定具體機器人本體。換一臺機械臂、換一個相機位置，同一任務的數據分布就會發生變化，難以復用。

Xiaomi-Robotics-1的第一步，是重構數據來源。其10萬小時預訓練數據并非全部來自機器人，而是通過自研UMI（Universal Manipulation Interface）便攜式采集設備，記錄人類在真實環境中的操作軌跡。相比傳統方式，UMI可以進入家庭、辦公室、工業等多種場景，捕捉更豐富的操作行為，從而讓模型學習人如何改變世界狀態。

▲Xiaomi-Robotics-1使用了10萬小時真實世界操作軌跡

面對10萬小時數據，人工標注顯然不可行。小米構建了一條基于視覺語言模型（VLM）的自動標注流水線：將長軌跡切分為片段，并用視覺語言模型描述狀態變化。模型訓練的目標，是根據視覺和語言條件，生成一段能夠推動場景變化的動作序列，從“模仿動作”轉向“理解狀態變化”。

▲Xiaomi-Robotics-1驗證了機器人Scaling Law

而這10萬小時數據的威力，在實驗中展現出了教科書級別的規模化收益。

隨著數據規模從2.5K小時增加到20K小時，驗證集動作預測損失持續下降，小規模數據容易過擬合，大規模數據則更穩定；模型規模從2B提升到10B，性能同樣持續提升。更重要的是，這種收益不僅存在于離線指標，也體現在真實機器人任務成功率上。

這條從“數據規模→模型能力→真實任務表現”的鏈路，正是機器人版Scaling Law的核心證據。

按照小米披露，這是國內首次對機器人策略模型Scaling Law進行系統驗證。它意味著，機器人能力的提升，開始擺脫“玄學調參”，走向“堆規模、漲能力”的可預測路徑。

二、獨創雙階段新范式，讓機器人學會“開箱即用”

僅有大規模數據，還不足以解決機器人問題。

更深層的挑戰在于：數據之間不統一，能力難以遷移。UMI數據記錄的是人類操作，而非機器人控制信號；不同機器人之間的動作空間也不一致。如果直接混合訓練，模型既難以統一表達，也無法執行指令。

為此，Xiaomi-Robotics-1采用“預訓練+后訓練”的雙階段范式。

預訓練階段，模型從10萬小時軌跡中學習通用動作表征。它關注的不是具體關節角度，而是更底層的物理規律：如何抓取物體、如何整理空間、如何通過連續動作改變環境狀態。

后訓練階段，則完成兩項關鍵對齊：一是本體對齊，把通用能力映射到真實機器人控制空間；二是指令對齊，讓模型能夠理解自然語言并執行任務。這一階段使用約11000小時跨本體數據，包括移動操作機器人、雙臂機器人數據以及Bridge V2、RT-1、DROID等公開數據集。

▲Xiaomi-Robotics-1采用雙階段新范式

這種設計的核心在于“分工”：用大規模低成本數據學習通用能力，用高質量真機數據完成落地。類似于大模型先預訓練，再指令微調。

結果是，模型具備了“開箱即用”能力。

在未見過的真實家居環境中，它可以根據自然語言完成鞋柜整理、桌面收納、沙發整理等任務，而無需針對每個場景重新訓練。

▲Xiaomi-Robotics-1在不熟悉環境中可完成沙發整理

更重要的是，規模效應得以遷移：預訓練數據越多、模型越大，未見場景中的成功率越高。這說明模型學到的是可泛化能力，而非固定動作模板。

▲數據更大、模型更大，動作預測更穩定

這種能力還體現在新任務適配上。在復雜操作任務中，模型僅需平均不足10小時數據微調，性能就大幅超過從零訓練的模型。這意味著機器人開發模式正在從“每個任務重新訓練”，轉向“在基座模型上快速適配”。

三、全球榜單“屠榜”，定義基座模型新標準

一個基座模型是否具備統治力，不能只看它在自家花園里的表演，更要看它在全球頂尖實驗室公認的競技場中的表現。

Xiaomi-Robotics-1在多個主流仿真基準上取得領先結果：

在公認極具挑戰性的RoboDojo仿真評測中，Xiaomi-Robotics-1以20.07的平均得分和13.93%的成功率強勢登頂Leaderboard，實現了對前最優方法的“斷檔式”領先，顯著高于此前最優的13.07分和8.80%。

▲RoboDojo官網Leaderboard截圖（截至7月15日）

在覆蓋數百種真實家庭場景的RoboCasa365基準中，Xiaomi-Robotics-1以57.4%的平均成功率一騎絕塵，大幅刷新了此前由谷歌等團隊保持的46.6%的最佳成績。

▲RoboCasa365官網Leaderboard截圖（截至7月15日）

在考驗模型舉一反三能力的Composite-Unseen任務劃分中，該模型展現出了驚人的任務組合泛化能力。此外，在RoboCasa和VLABench等權威基準上，Xiaomi-Robotics-1也拿下了全面領先的成績。

這些基準覆蓋物體操作、長程任務和組合泛化等能力，能夠有效檢驗模型是否真正具備通用能力。尤其是在復雜組合任務中，Xiaomi-Robotics-1展現出明顯優勢。

更關鍵的是，這些結果與真實機器人實驗形成一致結論：規模提升帶來的收益，既能提升離線指標，也能遷移到真實環境和新任務中。

這也在重新定義機器人基座模型的標準：不僅要參數大，更要具備規模化訓練、跨本體遷移、自然語言控制和低樣本適配能力。只有同時滿足這些條件，機器人模型才可能成為真正的“基礎設施”。

結語：小米三連發閉環，中國具身智能的“重倉時刻”

7月14日至16日，小米機器人連續三天發布進展：從進廠“實習”的機器人本體，到統一生成模型Xiaomo-Robotics—U0，再到Xiaomi-Robotics-1，逐步構建起“本體—數據—模型”的技術閉環。

具身智能的終局，是軟硬件數據一體化的系統戰。小米此次亮劍，為中國龐大的機器人產業鏈提供了一條清晰、可落地的工業化發展路徑：當數據可以規模化生產，模型可以像流水線一樣迭代升級，具身智能的“ChatGPT時刻”，或許真的不再遙遠。