一句话看懂：7月16日，小米正式发布面向真实移动操作任务的具身智能基底模型Xiaomi-Robotics-1，基于10万小时真实世界数据和交叉本体训练完成，首次在物理AI领域系统验证了Scaling Law（规模定律）的可行性，为机器人从实验室走向复杂场景提供了可复现的技术范式。
事件核心：发生了什么
7月16日，小米官方发布了名为Xiaomi-Robotics-1的具身基底模型。该模型在预训练阶段使用通过通用操作接口（UMI）设备采集的10万小时真实世界轨迹数据，覆盖家庭、商业和工业场景，并结合高效视觉语言模型在两周内完成全量自动标注。在后训练阶段，团队采用约1万小时的交叉本体数据进行本体与指令对齐，使模型具备“开箱即用”的多类型移动操作能力。目前该模型提供2B、5B和10B三个参数量版本。实验数据显示，随着训练数据和模型规模增大，模型在动作预测准确率、未知场景任务成功率上表现出清晰的Scaling增长趋势，并在RoboCasa365、RoboDojo等多个公开仿真基准测试中刷新了SOTA纪录。
为什么重要
传统机器人策略模型受限于硬件依赖和数据规模瓶颈，难以规模化扩展。Xiaomi-Robotics-1的发布首次在行业层面验证了一条明确的、可扩展的具身智能训练路径：“大规模预训练-交叉本体后训练-少量数据微调”。这为AI行业特别是机器人领域提供了一条从专用模型向通用物理智能终端演进的技术路线图。同时，小米作为消费电子和智能硬件巨头，此次将手机、家电领域的Scaling Law经验直接迁移至物理AI，意味着具身智能正从学术Demo阶段进入规模化工程验证阶段。这一做法也直接对标了业界对物理世界大模型规模效应的核心期待，可能加速智能机器人领域的商业化落地节奏。
对用户/开发者/创作者的影响
对于开发者而言，Xiaomi-Robotics-1的开放版本和训练范式（UMI设备+自动标注+交叉本体对齐）降低了具身智能的入门门槛：未来只需要少量实际场景数据即可微调出适用于特定任务的机器人模型。对于企业采购方，该模型在家庭、商业和工业场景中已验证了跨场景能力，意味着机器人端到端的定制化周期可能从数月缩短至数周。对于AI内容创作者和硬件产品经理，Xiaomi-Robotics-1的Scaling效应表明，物理世界的数据采集效率和模型规模扩张正在齐头并进，未来智能硬件体验的差异化可能更多来自底层模型而非单纯硬件设计。此外，10B参数版本的算力需求目前公开信息尚未披露，但开发者需留意推理部署成本。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是Xiaomi-Robotics-1是否会对外开源模型权重或训练数据集，这将直接影响具身智能开发者生态的活跃度。二是小米是否会在自家机器人产品（如CyberDog、CyberOne）中直接集成该模型，并公布实际部署效果。三是其他机器人厂商（如优必选、宇树科技）是否会快速跟进类似Scaling Law训练路径，竞争格局可能因此发生变化。四是数据隐私和物理安全：真实世界10万小时轨迹数据采集的合规性和模型在实际操作中的安全性未在公告中详细说明，后续监管动向值得追踪。
来源：AIbase
