小米不造车了？不，它开源了可能改变未来的机器人模型。

最新AI落地实操，点击了解：https://qimuai.cn/

当你叫Siri定个闹钟，它能秒回。但如果你让一个机器人“把桌上那杯水递给我”，它可能会思考到让你以为网络断了线。

这就是今天AI世界最割裂的体验：虚拟智能对答如流，物理智能却常常“卡壳”。

为什么？核心瓶颈藏在三个字母里：VLA（视觉-语言-动作）。让机器看懂、听懂、并流畅动起来，太难了。模型稍微大点，思考时间就长得像在“神游”；动作指令一复杂，机器人就容易“抽搐”。

但今天，这个僵局被撬开了一道缝。

小米，把它的第一代机器人VLA大模型，直接开源了。

这个名为 Xiaomi-Robotics-0 的模型，参数量47亿。它最核心的突破，就一句话：在消费级显卡上，实现了实时、流畅、精准的机器人动作控制。

过去VLA模型的延迟和动作断裂，被它基本扫进了历史。

它怎么做到的？设计思路非常聪明：给机器人装上“大脑”和“小脑”。

• “大脑”（视觉语言模型） 负责高级认知。你说“请把乱糟糟的毛巾叠好”，它能理解这个模糊指令，还能看清毛巾在哪儿、怎么个“乱”法。
• “小脑”（动作专家模型） 负责精准执行。它用一项叫DiT的技术，把“大脑”的意图，翻译成一套行云流水的动作序列——伸手、抓取、对折、摆放。

两者各司其职，协同工作。既避免了传统模型“学了动作就忘了视觉”的毛病，又让动作生成快如闪电。

结果就是，在LIBERO、SimplerEnv、CALVIN这三大国际主流的机器人仿真测试中，它包揽了所有细分项目的冠军。

纸上成绩厉害，真机实操呢？

在演示中，搭载该模型的双臂机器人，已经能精准处理刚性和柔性物体。拆卸乐高积木、把随意放置的毛巾整齐叠好……这些需要触觉反馈和精细操作的任务，它完成得相当淡定。

为了练就这套本领，它的“训练量”大得惊人：2亿条机器人轨迹数据、超8000万视觉-语言样本打底。甚至专门用了338小时的乐高拆卸数据和400小时的毛巾折叠数据来做专项训练。

先进行跨模态预训练，打好基础；再用DiT技术进行动作序列的专项训练，让动作极致平滑。

而这一切的终点，不是实验室的橱窗。

小米这次选择了彻底开源：模型权重、完整代码、技术报告，全部公开。

这意味着什么？意味着任何开发者、研究团队，甚至是有兴趣的极客，都有可能用一张消费级显卡，启动一个拥有“物理智能”的机器人项目。具身智能的门槛，被前所未有地拉低了。

从虚拟世界里的对答如流，到物理世界里的得心应手，我们终于看到了一条清晰的技术路径。当一个机器人能真正理解“帮我收拾一下桌子”并流畅完成时，改变的将不仅仅是我们的生活方式。

所有领域都值得用AI重做一遍。本文作者承接各种AI智能体和AI全域营销自动化软件、工作流开发，了解加微信：qimugood(读者也可此微信一起交流）。