2月12日，小米雷军通过微博涌现，小米机器东谈主团队负责开源Xiaomi-Robotics-0，一个47亿参数的具身智能VLA模子。该模子领受Mixture-of-Transformers夹杂架构，在LIBERO、CALVIN和SimplerEnv三大仿真测试集的悉数Benchmark中，与30个对比模子比较均获顺应前最优收货。

    

图片起原：小米技能

Xiaomi-Robotics-0的中枢在于通过MoT架构将视觉讲话大模子与多层Diffusion Transformer解耦。VLM负责处理污秽教唆与空间相关解析，DiT则通过流匹配生成高频、衔接的Action Chunk。这种盘算让模子在破费级显卡上即可完成及时推理，贬责了现存VLA模子因推理延伸导致真机“行为断层”的共性痛点。

    

模子架构及查验智商：(a) VLM多模态与行为夹杂预查验；(b) DiT专项预查验；© 想法任务后查验；图片起原：小米技能

查验计谋分为两个阶段。跨模态预查验阶段引入Action Proposal机制，强制VLM在图像见解的同期揣度多模态行为漫衍，完成特征空间与行为空间的对都；随后冻结VLM，专项查验DiT从噪声中复原精确行为序列。后查验阶段的中枢是异步推理花式，使模子推理与机器东谈主开动脱离同步拘谨。同期，Clean Action Prefix通过引入上一时候行为输入来保证轨迹衔接性，Λ-shape Attention Mask则强制模子优先反应面前视觉反馈，栽植濒临环境扰动时的反应敏捷性。

在真机部署测试中体育游戏app平台，搭载该模子的双臂机器东谈主在积木拆解、叠毛巾等永劫序、高解放度任务中展现出踏实的手眼配合智力，同期保留了VLM原有的物体检测与视觉问答智力。神志代码、模子权重与技能文档现在已同步上线GitHub和Hugging Face。