在机器人技术领域，一场关于“工业化”的变革正在悄然发生。小米最新发布的Xiaomi-Robotics-1具身基座模型，以10万小时真实世界操作轨迹为基石，首次在国内系统验证了机器人策略模型的Scaling Law（规模法则），为行业突破“小数据、单任务”困局提供了新思路。
面对10万小时数据，人工标注成本过高。小米构建了基于视觉语言模型（VLM）的自动标注流水线：将长轨迹切分为片段，用VLM描述状态变化，并训练模型生成推动场景变化的动作序列。这一设计使模型从“模仿动作”转向“理解状态变化”，为规模化训练奠定基础。实验显示，当预训练数据从2500小时增至2万小时，模型在验证集上的动作预测损失持续下降；参数规模从20亿提升至100亿时，动作预测能力稳定改善。在真实家庭环境中，机器人完成鞋柜收纳、书包打包等任务的成功率显著提升，验证了“数据规模→模型能力→真实任务表现”的链路。
为解决数据不统一、能力难迁移的问题，Xiaomi-Robotics-1采用“预训练+后训练”双阶段范式。预训练阶段，模型从10万小时轨迹中学习通用动作表征，关注抓取、整理等底层物理规律，而非具体关节角度；后训练阶段则完成两项对齐：一是本体对齐，将通用能力映射到真实机器人控制空间；二是指令对齐，使模型理解自然语言并执行任务。这一阶段使用约1.1万小时跨本体数据，涵盖移动操作机器人、双臂机器人及公开数据集，确保模型具备“开箱即用”能力。在未见过的家居环境中，机器人可根据自然语言完成沙发整理、桌面收纳等任务，且预训练数据越多、模型越大，成功率越高。
Xiaomi-Robotics-1的突破不仅体现在实验室数据上，更在多个主流仿真基准中“屠榜”。在极具挑战性的RoboDojo评测中，该模型以20.07的平均得分和13.93%的成功率登顶，远超此前最优的13.07分和8.80%；在覆盖数百种家庭场景的RoboCasa365基准中，其以57.4%的平均成功率刷新纪录，此前最佳成绩为46.6%。在Composite-Unseen任务中，模型展现出强大的任务组合泛化能力，证明其具备通用性而非固定动作模板。
