2026 年 7 月，小米机器人团队抛出一篇足以改写具身智能数据格局的论文：Xiaomi-Robotics-1。这篇工作的核心不是新架构，也不是新损失函数，而是一个让同行很难复制的数字——超过 10 万小时的真实机器人操作轨迹。
论文由 小米机器人 团队 33 位作者完成，已挂在 arXiv:2607.15330。作者声称，这是目前公开已知的、规模最大的真实世界机器人操作数据集之一。
视觉-语言-动作模型（VLA）走到今天，大家都在抢两张牌：一张叫数据规模，一张叫数据真实性。过去两年，开源社区里风头最劲的多是仿真数据或互联网视频蒸馏：便宜、量大、易得，但一到真实机器人上就容易掉链子。
小米这次选了另一条路：全部用 UMI 采集的真实世界轨迹。UMI 是一套低成本双手夹爪数据采集接口，可以让操作员像打游戏一样，把真实动作直接录进机器人数据流。它不依赖动捕棚，也不依赖昂贵的力控手套，这意味着规模化复制相对容易。
从项目页披露的数据分布看，这 10 万+小时覆盖了家庭、办公、工业、餐饮、商业、户外六大场景，包含约 1.7K 个不同场景、240 万条轨迹片段、超过 260 项任务。对象词云里出现最多的是 table、bed、floor、cloth；动词则是 hold、place、grasp、lift、wipe。换句话说，这是一套以桌面与家居操作为主的通才数据。
数据量大只是表象，更关键的问题是：这些轨迹如何变成 VLA 能吃的语言条件？小米设计了一条可扩展的自动标注流水线：把每条轨迹切分成若干 clip，然后用自然语言描述前后场景的状态迁移。
举个直观的例子，"把杯子从桌面移到水槽"不再是干巴巴的动作序列，而被标注为"杯子：在桌上 → 在水槽中"这样的状态迁移语言。对模型来说，这种标注既提供了动作学习的密集条件，也让高层语言指令和低层动作输出之间多了一座桥。
训练策略采用两阶段配方。第一阶段是预训练：在海量真实轨迹上让模型学会可泛化的动作生成能力；第二阶段是后训练：把这些能力与具体机器人本体以及人类的自然语言指令对齐。
这个分法的直觉很朴素。预训练阶段让模型看过足够多的"世界 + 动作"组合，形成类似机器人通才的物理直觉；后训练阶段再用少量数据把它适配到特定 embodiment，避免从零开始调教一台新机器人。
作者还系统验证了 scaling 行为。左图显示，当预训练数据从 12.5% 提升到 100%，验证动作误差持续下降；右图显示，模型规模从 2B 增加到 10B，误差曲线同样走低。这说明 Xiaomi-Robotics-1 具备语言模型那种"堆数据 + 堆参数"的扩展性，而这对机器人领域并不是理所当然的——很多机器人策略在数据变大后收益会快速饱和。
论文在仿真 benchmark 上给出了硬成绩。RoboCasa365 是斯坦福推出的多任务操作基准，集合了 365 个日常家庭任务，从倒垃圾到叠衣服都有。Xiaomi-Robotics-1 在这个榜单上以 57.4% 的成功率登顶，比之前的最佳成绩 46.6% 高出近 11 个百分点。
在 RoboDojo 上，它的平均得分达到 20.07，同样大幅领先此前 SOTA 的 13.07。RoboDojo 更偏向高难度、长程、需要双手协调的复合任务，这个分数说明模型不仅能做原子动作，还能把动作串成完整流程。
更让人关注的是零样本泛化能力。论文指出，模型在未见过的新环境中开箱即用表现稳健，并且只需少量后训练数据就能迁移到新的复杂灵巧任务。这对产业落地非常重要：没有人会为一台家用机器人重新采集 10 万小时数据，但如果有一个强大的预训练基础策略，现场微调几百条轨迹就能干活，商业模式就通了。
这件事的标志性意义还在于它代表的数据路线之争。同期也有团队走仿真到现实的迁移路线，也有团队用单条人类视频做 one-shot 学习。小米用 10 万小时真实数据证明，工业级 scaling 仍然是可靠路径——前提是数据Pipeline足够高效、成本可控。
小米在机器人硬件上的布局也给这条路线提供了落脚点。 CyberOne 全尺寸人形机器人、 CyberDog 2 四足机器狗，以及更早开源的 Xiaomi-Robotics-0 项目，共同构成了从数据采集、模型训练到硬件部署的闭环。
作者还表示，代码和模型检查点将会开源。考虑到数据集本身涉及真实环境和隐私问题，完整开源 10 万小时原始视频的可能性不大，但模型权重和训练代码一旦放出，很可能成为机器人社区的新一代基座。
当然，这项研究也不是没有限制。真实数据规模虽然大，但分布仍偏向桌面与家居场景，工业装配、野外作业、非结构化地形等场景的覆盖度未知。此外，真实数据采集的清洗、对齐、隐私合规成本，其他团队能否复制，仍是问号。
但无论如何，Xiaomi-Robotics-1 把 VLA 的竞赛抬到了"十万小时真实数据"这个量级。它告诉产业：具身智能的 Scaling Law 也许不像大语言模型那样平滑，但只要数据 Pipeline 够扎实、硬件够便宜，真实世界里的机器人策略依然可以越训越强。
本文基于公开报道整理。