基本信息
- 来源: juejin
- 原始来源: https://juejin.cn/post/7606324035640918016
来源摘要/节选
公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。
2026年2月12日，小米开源首代机器人VLA大模型Xiaomi-Robotics-0，以47亿参数、80ms延迟、消费级显卡实时执行的性能，刷新三大基准测试全项SOTA。这不仅是技术突破，更是具身智能产业化的重要拐点。 一、技术背景：从虚拟到物理的智能演进 具身智能（Embodied AI）让AI算法“走出屏幕”，在物理世界中实现感知-决策-执行闭环。与传统AI仅处理虚拟信息不同，具身智能要求模型理解三维空间、处理柔性物体、应对环境突变，并生成连续平滑的动作轨迹。 发展三阶段 ： 早期探索 ：强化学习主导，任务专用，泛化弱 视觉‑语言融合 ：VLM兴起，理解自然语言指令，但动作生成依赖离散token，延迟高 统一范式 ：VLA模型实现多模态感知与连续动作生成的统一 开源生态价值 ： 降低门槛 ：中小团队无需从零构建，聚焦应用创新 加速迭代 ：全球开发者共同优化，避免大厂垄断 标准化推动 ：促进产业链协同，缩短产品化周期 二、模型解析：大脑+小脑协同与三重创新 Xiaomi-Robotics-0采用MoT混合架构，通过三项核心技术实现突破。
- 双脑协同架构 视觉语言大脑 ：多模态VLM底座，解析模糊指令，结合RGB‑D图像构建空间语义 动作执行小脑 ：16层扩散变换器，通过流匹配直接生成连续动作向量 松耦合设计 ：KV Cache复用，实现80ms延迟、30Hz实时控制
- 两阶段预训练 第一阶段 ：Action Proposal机制对齐视觉与动作空间，混合数据避免遗忘 第二阶段 ：冻结VLM，专注训练DiT，流匹配压缩推理步数至五步
- Λ形注意力掩码 紧邻前缀 ：回看历史动作，保证衔接平滑 远离前缀 ：强制聚焦当前视觉反馈，实时修正轨迹 三重创新让机器人同时实现“连贯性”与“反应敏捷性”。…
来源说明
当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。
本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。