小米機器人團隊釋出Xiaomi-Robotics-1具身基座模型，通過10萬小時真實世界操作軌跡預訓練與約1.1萬小時跨本體資料後訓練，在國內首次對機器人策略模型的Scaling Law（規模法則）進行了較為完整的系統驗證。這一成果打破了機器人行業長期依賴小資料、單任務、反覆調參的“手工作坊”模式，將具身智慧推入由資料與模型規模共同驅動的工業化階段。

此次驗證的核心在於一條清晰的規模化收益鏈路。實驗資料顯示，當預訓練資料從2500小時逐步擴大至2萬小時，模型在驗證集上的動作預測損失持續下降，小資料量下容易出現的過擬合問題在大規模資料下得到明顯緩解。與此同時，模型引數規模從20億提升至50億乃至100億時，動作預測能力同樣穩定改善。更重要的是，這些離線指標的提升直接轉化為真實機器人在未見過的家庭環境中執行鞋櫃收納、書包打包等任務的成功率提高。這種從資料規模到模型能力、再到真實任務表現的連貫傳導，正是機器人版Scaling Law得以成立的關鍵證據。

為突破機器人資料採集成本高、場景碎片化、跨本體難以遷移的瓶頸，小米構建了一套獨特的技術框架。預訓練資料並非全部來自機器人本體，而是通過自研的UMI行動式採集裝置記錄人類在家庭、辦公室、工業等多種真實環境中的操作軌跡，再借助基於視覺語言模型的自動標註流水線，將長軌跡切分為片段並描述狀態變化，使模型從“模仿動作”轉向“理解狀態變化”。在此基礎上，模型採用“預訓練+後訓練”雙階段範式：預訓練階段從海量軌跡中學習通用動作表徵，關注底層物理規律而非具體關節角度；後訓練階段則完成本體對齊與指令對齊，將通用能力對映到真實機器人控制空間，並讓模型理解自然語言指令。這種設計類似於大語言模型先預訓練再指令微調，用大規模低成本資料學習通用能力，用高質量真機資料完成落地適配。

在多個全球公認的模擬基準上，Xiaomi-Robotics-1展現出斷檔式領先。在極具挑戰性的RoboDojo評測中，該模型以20.07的平均得分和13.93%的成功率登頂，顯著高於此前最優的13.07分和8.80%成功率。在覆蓋數百種真實家庭場景的RoboCasa365基準中，它以57.4%的平均成功率大幅重新整理了此前由谷歌等團隊保持的46.6%的最佳成績。在考驗組合泛化能力的Composite-Unseen任務劃分中，模型同樣表現出色。這些結果與真實機器人實驗形成一致結論：規模提升帶來的收益既能改善離線指標，也能遷移到真實環境和新任務中。

從產業視角看，Xiaomi-Robotics-1的釋出與小米機器人近期的連續進展形成閉環。從進廠“實習”的機器人本體，到統一生成模型Xiaomo-Robotics—U0，再到此次的具身基座模型，小米逐步構建起“本體—資料—模型”的技術體系。當資料可以規模化生產、模型可以像流水線一樣迭代升級，具身智慧的“ChatGPT時刻”正加速逼近。對於AI產業投資者而言，這一驗證意味著機器人領域的算力需求、資料基礎設施投入以及模型訓練範式將向大模型靠攏，相關產業鏈上下游的資本敘事也將隨之重塑。