Xiaomi-Robotics-1

Xiaomi-Robotics-1 (XR-1) är en så kallad VLA-modell (vision-language-action) från Xiaomi Robotics: den ser genom robotens kameror, förstår en instruktion i vanligt språk och räknar ut vilka rörelser roboten ska göra. Den är gjord för mobila robotar som rör sig och hanterar föremål, och ska klara nya miljöer, nya föremål och nya uppgifter direkt.

Träningen sker i två steg, inspirerat av hur språkmodeller tränas. Först förtränas modellen på över 100 000 timmar inspelade greppande rörelser från handhållna gripdon (UMI) i över 1 700 miljöer som hem, butiker, industri och utomhus. Eftersom datan inte kommer från en viss robot kallar Xiaomi den robotoberoende, och en AI-modell beskriver automatiskt vad som händer i varje klipp så att ingen behöver märka upp datan för hand. Sedan efterhandstränas den på omkring 10 000 timmar data från riktiga robotar för att lära sig styra faktiska robotkroppar och följa vanliga instruktioner.

Tekniskt kopplar modellen ihop bild- och språkmodellen Qwen3-VL med en diffusionstransformer som räknar fram rörelserna. Enligt Xiaomi blir modellen stadigt bättre ju mer data och större modell man använder, utan tecken på att det planar ut. Den når enligt Xiaomi toppresultat på fyra simuleringstester (RoboCasa, RoboCasa365, VLABench och RoboDojo), och lär sig nya verkliga uppgifter som att packa telefoner, fylla på skrivare och lasta tvättmaskiner med i snitt under tio timmar demonstrationer per uppgift, där den lyckas i 75 procent av försöken mot 40 procent för π0.5.

Kod och vikter (en variant på 5 miljarder parametrar) är öppna under Apache 2.0-licens, och den tekniska rapporten kom i juli 2026. Xiaomi skriver att den är optimerad för konsumentgrafikkort.