小米 MiMo-Embodied

MiMo-Embodied: X-Embodied Foundation Model (Xiaomi)进阶

小米开源的 7B 视觉语言模型，同时覆盖自动驾驶和具身智能的理解与规划

小米具身智能团队 2025 年 11 月发布技术报告并开源的视觉语言模型（VLM），参数约 70 亿，权重在 Hugging Face 公开。出发点是：自动驾驶和室内机器人都需要空间理解与规划，却通常各训各的。MiMo-Embodied 把两类数据放进同一个模型，经过多阶段训练、精选数据以及思维链和强化学习微调，同时覆盖具身侧的可供性预测、任务规划、空间理解，和驾驶侧的环境感知、状态预测、驾驶规划。报告称它在 17 个具身基准和 12 个自动驾驶基准上达到或超过同类开源与闭源模型，并观察到两个领域之间存在正迁移，互相促进。它评测的是理解、推理和规划能力，本身不直接输出机器人的关节动作。