小米的机器人大脑，吃了十万小时真实的手

小米机器人开源了 Xiaomi-Robotics-1，一个视觉-语言-动作模型，本质上是给机器人身体用的基础模型。你给它一句语言指令，它就能在从没见过的环境里做移动操作任务，开箱即用，而且用极少的数据就能微调到新任务上。让它成立的是它吃下去的规模：超过十万小时的真实世界操作轨迹。

这些轨迹是用 UMI 设备采的，那种手持夹爪，不需要真机器人在场就能录一段示范，覆盖了一千七百多个场景：家庭、商店、工厂、户外。这个"脱离本体"的招，就是怎么在不买十万台机器人的前提下攒到十万小时的答案。然后他们做了一条自动标注流水线，给每段片段配上描述场景如何变化的自然语言，给模型提供关于"这个动作到底要达成什么"的丰富条件。

不造机器人的人为什么要关心？因为这跟当年造出语言模型是同一套打法，只是把枪口对准了物理世界。爬一大堆示范，学出一个通用策略，下游廉价适配。我们平时报的 agent 大多活在终端里；这种 VLA 模型，是通往"有手的 agent"的桥。小米把权重和代码都开源出来，才是真正推动这个领域的那一步。仓库在 github.com/XiaomiRobotics/Xiaomi-Robotics-1，论文在 arXiv 2607.15330。