Summary
Xiaomi-Robotics-1 以 100K+ 小时 UMI real-world trajectories 做 state-transition language pretraining，再用约 10K 小时 cross-embodiment robot data 把能力对齐到 imperative instructions，系统展示 data/model scaling 可转化为 unseen-environment 的 VLA 成功率。
Problem & Motivation
Robot foundation model 想复用 LLM 的 scaling 路径，却受制于 real-robot teleoperation 慢、昂贵、硬件绑定且任务分布重复。仅扩大 model size 无法补足 interaction data 的规模与多样性，而传统 trajectory segmentation 和语言标注在十万小时级别也不可行。论文因此把 UMI handheld gripper 视为可大规模收集 human manipulation 的接口，并把 pretraining prompt 定义为“当前 scene 到目标 scene 的 state transition description”；之后再解决 UMI-to-robot embodiment gap 与 descriptive-to-imperative language gap。
Method
模型使用 Mixture-of-Transformers：Qwen3-VL 编码 images 与 language，较窄的 DiT 接收 robot state 和 VLM KV cache，以 flow matching 和 5-step Euler integration 生成 action chunk。VLM 本身还通过 Choice Policies 预测多组 candidate actions 与 scores，用 winner-takes-all auxiliary loss 加速 convergence；这些 action tokens 被排除在 DiT attention 之外，以避免 DiT 直接复制 VLM action shortcut。
Pretraining 数据为 100K+ 小时 UMI egocentric trajectories，覆盖家庭、商业、工业、办公室与户外场景。pipeline 等长切分 clip，用 Qwen3.5-27B 标注 gripper/object 的 state transition，并通过 producer-consumer 并发在约两周内完成 captioning；训练同时 co-train vision-language data 以保留 VLM 能力。Post-training 混合 1K+ 小时人工 instruction-labeled UMI、Bridge V2、RT-1、DROID 与内部 robot data，总量约 10K 小时；不同 embodiment 的 arm action 被统一为当前 end-effector frame 下的 relative delta pose，缺失维度在 loss 中 mask。模型提供 2.6B、5.1B、10.5B 三种规模。
Key Results
Pretraining data scaling 在相同 5B 模型上把 unseen-environment real-robot overall success 从无 action pretraining 的 26% 提升到完整 20K-hour subset 的 75%；仅 12.5% 数据已达到 53%，50% 到 100% 仍增加 6 个百分点。固定 20K 小时数据时，2B/5B/10B post-trained variants 的 overall success 为 61%/75%/79%，说明 data scale 的边际影响比 billion-scale model size 更明显。
Simulation 中 RoboCasa 平均成功率 74.5%；RoboCasa365 为 57.4%，比 previous best 46.6% 高 10.8 个百分点，Composite-Unseen 为 32.1%。VLABench 平均 SR/PS/IS 为 59.1/70.3/69.9，SR 与 PS 最佳但 intention score 略低于 ERVLA；RoboDojo average score 20.07，对比 prior best 13.07。真实 downstream fine-tuning 涵盖 phone packing、laundry loading、printer refilling、box packing，在低数据设置共 36 小时、每任务不足 10 小时；正文报告 foundation checkpoint 在这些复杂任务上具备更高 data efficiency。
Strengths & Weaknesses
Strengths. 数据规模、自动标注 infrastructure、cross-embodiment action normalization 与系统 benchmark 覆盖形成了少见的完整 scaling evidence。论文不仅比较最终 SOTA，还固定模型或数据分别做 scaling curve，并发现 data 可能是当前更强 bottleneck。state-transition caption 也比粗 task label 提供更局部、与 action dynamics 对齐的条件。
Weaknesses. 100K 小时数据、内部 robot data 与自动 caption quality 均无法从论文外独立审计，且模型与 checkpoints 只承诺未来发布；这限制 reproducibility。正式 scaling curve 实际主要使用约 20K 小时 subset，而不是完整 100K+，因此对全规模 compute/data law 的结论仍有限。自动等长 segmentation 可能跨越无关动作或遗漏语义边界，Qwen caption error 也会成为系统性 label noise。RoboDojo 不使用 history，memory dimension 落后；VLABench intention score 并非最佳，说明 action success 与语言意图理解仍未完全对齐。
Mind Map
mindmap root((XiaomiRobotics1)) Problem Robot data bottleneck Expensive language labeling Cross-embodiment alignment Method UMI 100K hours State-transition auto-labeling VLM plus DiT flow matching Results Scaling curves RoboCasa365 SOTA Data-efficient adaptation
Notes
这篇工作最重要的可验证命题是“data scaling 的收益能跨过 post-training 转化到 unseen real robot”，而不只是 pretraining loss 下降。后续应等待 dataset/model release，重点检查自动 caption 的噪声分布、100K 小时去重与有效 contact ratio，以及 20K 到 100K 的真实 scaling curve。