Xiaomi-Robotics-0

Xiaomi-Robotics-0是小米开源的首代机器人VLA（视觉-语言-动作）大模型，拥有47亿参数，采用MoT混合架构，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。