小米 Xiaomi-Robotics-0

Xiaomi-Robotics-0: An Open-Sourced Vision-Language-Action Model with Real-Time Execution进阶

小米开源的 47 亿参数 VLA，主打在消费级显卡上实时、流畅地执行动作

小米 2026 年 2 月发布并开源的视觉-语言-动作模型，共 47 亿参数，以 Qwen3-VL-4B 为视觉语言骨干，外接一个用流匹配生成动作的扩散 Transformer 动作专家。预训练用了约 2 亿时间步的跨本体机器人轨迹（DROID、MolmoAct 数据及自采数据）和 8000 万条以上视觉语言数据。它重点解决推理慢导致的动作卡顿：采用异步执行，边执行上一段动作边推理下一段，并把已确定执行的动作作为前缀喂回模型，配合 Λ 形注意力掩码保证前后衔接平滑，在 RTX 4090 上推理延迟约 80 毫秒。2026 年 7 月小米又发布了用 10 万小时以上真机数据训练的 Xiaomi-Robotics-1。