# 小米开源首代机器人VLA大模型Xiaomi-Robotics-0：47亿参数MoT架构，实现实时流畅控制

- Link: https://paooo.com/aigc-news/11467/
- Published: 2026-06-11T08:42:22+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 47亿参数MoT架构把“脑”和“小脑”分工协同，兼顾多模态理解与高频动作控制。
 * 异步执行+Λ-shape注意力掩码，重点解决推理延迟带来的动作卡顿问题。
 * 在LIBERO、CALVIN等仿真基准刷新SOTA，并可完成积木拆解、毛巾折叠等真机任务。

> **💡 站外导读：**具身智能（Embodied AI）正成为人工智能的下一个突破焦点，但机器
> 人“大脑”与“小脑”的高效协同、以及实时控制中的延迟卡顿问题，始终是阻碍其从实验室
> 走向真实世界的关键瓶颈。传统模型要么理解力强但控制粗糙，要么控制精准但反应迟缓，
> 难以满足复杂任务需求。这导致机器人落地场景受限，商业潜力未被充分释放。

## Xiaomi-Robotics-0是什么

Xiaomi-Robotics-0是小米开源的首代机器人VLA（视觉-语言-动作）[大模型](https://paooo.com/ai-study/)，
拥有47亿参数，采用MoT混合架构，[Qwen3-VL](https://ai-bot.cn/qwen3-vl/)多模态模型
作为”大脑”理解视觉语言指令，Diffusion Transformer作为”小脑”生成高频动作块。创新性
地引入异步执行与Λ-shape注意力掩码，解决推理延迟导致的动作卡顿，实现消费级显卡上的
实时流畅控制。在LIBERO、CALVIN等仿真基准测试中刷新SOTA，成功应用于积木拆解、毛巾
折叠等真机双臂操作任务。

阅读目录

 * [Xiaomi-Robotics-0是什么](https://paooo.com/aigc-news/11467/#xiaomirobotics0%e6%98%af%e4%bb%80%e4%b9%88)
 * [Xiaomi-Robotics-0的主要功能](https://paooo.com/aigc-news/11467/#xiaomirobotics0%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [Xiaomi-Robotics-0的技术原理](https://paooo.com/aigc-news/11467/#xiaomirobotics0%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [Xiaomi-Robotics-0的项目地址](https://paooo.com/aigc-news/11467/#xiaomirobotics0%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [Xiaomi-Robotics-0的应用场景](https://paooo.com/aigc-news/11467/#xiaomirobotics0%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/11467/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![Xiaomi-Robotics-0-](https://paooo.com/wp-content/uploads/2026/05/Xiaomi-Robotics-
0-website-1.avif)

## Xiaomi-Robotics-0的主要功能

 * **自然语言理解**：模型能解析人类模糊指令，从视觉输入中识别空间关系与操作意图。
 * **动作生成控制**：模型能输出高频平滑的动作序列，驱动机器人完成精确物理操作。
 * **实时异步执行**：支持推理与执行并行，消除延迟卡顿，保障动作连贯流畅。
 * **双臂协同操作**：支持双手配合完成积木拆解、毛巾折叠等复杂长周期任务。
 * **自适应策略调整**：模型能在抓取失败或环境变化时，自动切换动作策略灵活应对。
 * **多模态能力保持**：模型保留了视觉问答、物体检测等通用理解能力，防止灾难性遗忘。

## Xiaomi-Robotics-0的技术原理

 * **MoT混合架构**：以Qwen3-VL-4B多模态模型作为”大脑”处理视觉语言输入，Diffusion
   Transformer作为”小脑”负责动作生成，总参数量47亿，兼顾通用理解与精细控制。
 * **两阶段训练**：第一阶段通过Action Proposal机制让VLM学习动作分布对齐特征空间，
   混合视觉语言与机器人数据防止遗忘；第二阶段冻结VLM，专项训练DiT通过流匹配从噪声
   中恢复精准动作序列。
 * **异步执行机制**：机器人执行当前动作块的同时并行推理下一区块，用Clean Action 
   Prefix将前一时刻动作作为输入条件，确保轨迹时序连续，从机制上消除推理延迟导致的
   动作断层。
 * **Λ-shape注意力掩码**：替换DiT的因果注意力掩码，支持紧邻前缀的噪声token关注历史
   动作实现平滑过渡，同时禁止后续token访问前缀，强制其关注视觉信号，避免模型复制
   惯性动作，提升对环境突发变化的反应灵敏度。

## Xiaomi-Robotics-0的项目地址

 * **项目官网**：https://xiaomi-robotics-0.github.io/
 * **GitHub仓库**：https://github.com/XiaomiRobotics/Xiaomi-Robotics-0
 * **HuggingFace模型库**：https://huggingface.co/collections/XiaomiRobotics/xiaomi-
   robotics-0
 * **技术论文**：https://xiaomi-robotics-0.github.io/assets/paper.pdf

## Xiaomi-Robotics-0的应用场景

 * **工业精密装配**：模型可精准拆解由多达20块积木组成的复杂装配体，适用电子产品、
   汽车零部件等精密组装场景。
 * **家庭服务清洁**：模型能主动甩动毛巾暴露遮挡角落，识别多余物品并放回，适用于家务
   辅助与养老护理场景。
 * **物流仓储分拣**：模型凭借高频平滑的动作生成能力，适应不同形状、材质的多样化商品
   处理需求。
 * **科研教育开发**：模型支持高校与研究机构开展具身智能算法研究、机器人控制策略开发
   及教学演示。
 * **商业交互展示**：模型可在展厅、门店、发布会等场景部署，展现低延迟、高流畅度的
   人机协作能力，提升品牌技术形象。

#### 📝 站长洞察 (Editor’s Insight)

小米此次开源Xiaomi-Robotics-0，标志着其在具身智能领域从“跟随者”向“引领者”的关键跃
迁。文章揭示的MoT混合架构极具范式意义：它巧妙地将顶级多模态大模型（Qwen3-VL）的“
理解”与扩散模型（DiT）的“控制”解耦又协同，为行业提供了一种可扩展的“大脑-小脑”工程
化方案。更关键的是，其提出的异步执行与Λ-shape注意力掩码，直击了VLA模型从仿真到真
机部署的“最后一公里”难题——实时性，使消费级硬件流畅控制成为可能。这不仅是技术突破，
更是商业落地的关键一步。结合小米在机器人硬件（CyberDog、铁大）和AIoT生态的布局，
此举意在抢占“具身智能基座模型”的生态位，为未来智能家居、服务机器人乃至工业自动化
提供核心“智能内核”，战略意义深远。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**HuggingFace ↗**

HuggingFace：AI模型开发社区，面向大语言模型场景提供便捷实用的在线功能支持，涵盖大
模型等实用方向。

❓ 常见问题解答（FAQ）

Xiaomi-Robotics-0是什么模型？

Xiaomi-Robotics-0是小米开源的首代机器人VLA（视觉-语言-动作）大模型，参数量47亿，
采用MoT混合架构，用Qwen3-VL负责理解，用Diffusion Transformer负责动作生成，面向机器
人实时控制。

Xiaomi-Robotics-0为什么能减少动作卡顿？

它通过异步执行机制让机器人边执行当前动作块、边推理下一动作块，并用Clean Action Prefix
保持时序连续；同时引入Λ-shape注意力掩码，提升对视觉变化的响应，减少延迟造成的断层。

Xiaomi-Robotics-0适合哪些应用场景？

文章提到它适用于工业精密装配、家庭服务清洁、物流仓储分拣、科研教育开发和商业交互
展示等场景，尤其适合需要双臂协同、长周期任务和低延迟流畅控制的机器人应用。

🔬 语宙深潜追问 · 进阶实操拆解

MoT 架构为什么适合机器人？

MoT 能把理解、规划和控制能力分开建模，减少单一模型同时处理所有任务的负担。这样更
利于训练稳定、模块复用和在不同硬件上部署。

机器人模型上车前要测哪些指标？

除了基准分，更要测实时延迟、控制抖动、失败恢复和长时任务稳定性。若面向消费级硬件，
还要关注算力占用、功耗和异常情况下的安全退化。

🗳️ 读者观点微投票 · 您的实战立场是？

机器人 VLA 落地，解耦控制还是端到端更稳？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

 * [Wall-OSS-0.5 – 自变量机器人开源的国产具身智能模型](https://paooo.com/aigc-news/18687/)
 * [小米OneVL开源：0.24秒延迟！具身智能团队发布SOTA级自动驾驶VLA世界模型](https://paooo.com/aigc-news/10571/)
 * [宇树科技重磅开源UnifoLM-VLA-0：基于Qwen2.5-VL-7B，单一模型实现12类机器人操作，准确率98.7%](https://paooo.com/aigc-news/11535/)
 * [Xiaomi-Robotics-U0 – 小米推出的统一具身合成模型](https://paooo.com/aigc-news/30755/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/11467/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
