Lei Jun Announces Xiaomi Robot Progress: CyberOne 02 Works Continuously for 8 Hours at Car Factory

你的小米汽车，正在由小米机器人生产制造：

刚刚，小米创始人雷军亲自放出了最新进展：

小米人形机器人在汽车工厂首次挑战8小时稳定作业，完全满足全天生产需求。

对于小米来说，这算是第一次越过具身智能斩杀线的高光moment。

另一方面又挺戏谑：大厂里率先落实“8小时工作制”的，竟然是机器人

小米机器人，“8小时工作制”

要不说真实场景确实是最好的baseline呢～

7月份小米机器人工厂搬砖的视频。还能看出“瑕疵”，比如抖动、卡壳。

但最新的的素材，CyberOne 02已经能连续8小时完成汽车装配车间的任务了：

工站是汽车总装物流区域的中控台侧盖板排序，而盖板属于柔性工件，尺寸大、形态不规则，摆放姿态存在随机性，对视觉定位和抓取力控的要求高于标准结构件。

CyberOne 02在8小时内跟随产线节拍持续运转，会自动配合来料的AMR调整自己的取料路线、步幅：

AMR换岗时，CyberOne 02也会耐心等待，遇到来料偏差或放置失败时还能自行调整：

雷军很谦虚，将这一阶段定义为机器人的“实习”、产线级作业能力的初步验证。

除了工厂之外，他还提到另一个场景：

小米青年公寓，跑通连续超30分钟、覆盖3个房间、包含50+任务的长程任务验证。

可自主规划和执行涵盖工具准备、沙发与桌面整理、垃圾清理、物品分类归位、房间巡检、全屋复检与离场等环节在内的完整任务。

B端、C端场景两开花，小米具身智能跟当年的铁蛋相比，有种“士别三日”的即视感。

并且雷军还强调，无论那种场景，背后都是同一套具身智能基础模型。

小米的具身智能技术，进展到什么程度？

在小米汽车工厂“搬砖”的这款CyberOne 02机器人，官方明确背后是小米最新的具身基座模型Xiaomi-Robotics-1。

而这是一个典型的“带着问题找解法”的研究。

具身智能长久面临一个现实问题：机器人很难像语言模型那样，轻松获得足够多的训练数据：要学会某一个动作或某种任务，需要真实机器人在物理环境中反复执行，再通过遥操作等方式采集数据；

但机器人在物理环境中反复执行特定任务，又要求机器人会执行这个任务……具身智能的数据闭环，到今天都没有一个公认的高效kick start路径。

你可能会说，人类操作不就是最好的数据来源吗？说实话，这个坑自动驾驶踩过一遍了，具身智能表示不会再上当。

先不说成本问题，就算有一款人人都刚需、每天都佩戴的数据采集产品，那又如何保证返回的数据中，解决corner case关键的高效数据比例呢？

如果专门雇人做针对性数据采集，就又回到了成本难题。所以人类数据可以做关键case的强化、辅助，但很难作为基础模型提升迭代的主要数据来源。

小米XR-1试图解决的，正是具身智能如何获得大规模预训练数据的问题，翻译一下，就是试图复刻大模型领域已经出现的Scaling law。

具体来看，在模型架构上，XR-1采用端到端的VLA（Vision-Language-Action）架构，并引入Mixture-of-Transformers（MoT）设计。

简单理解，VLA需要把三个环节连接起来：机器人通过视觉获取环境信息，结合语言指令理解任务目标，最后生成可以执行的动作。

XR-1将这套过程拆分为两个相互耦合的核心组件：视觉语言骨干和动作生成头。

视觉语言骨干采用预训练的Qwen3-VL，主要负责理解机器人当前看到的场景，以及用户给出的语言指令。它提供视觉和语义层面的信息，帮助模型判断当前环境状态与任务要求。

动作生成部分则采用Diffusion Transformer（DiT）。它以机器人本体状态和视觉语言模型提供的KV缓存作为条件，通过Flow Matching生成未来一段时间内的动作序列，也就是Action Chunk。

架构分工比较明确：Qwen3-VL负责理解环境和任务，DiT负责把理解结果转化为连续动作，两者通过MoT架构协同工作，构成端到端的VLA模型。

模型有了，训练阶段XR-1采用的是两阶段范式，第一阶段是无本体预训练（Embodiment-free Pre-training）。小米使用UMI设备采集超过10万小时的真实人类操作轨迹。

UMI可以理解为一套低成本的手持式操作数据采集装置，由夹爪和腕部相机等组件构成，小米团队拿着这套设备在真实环境中完成抓取、移动、摆放等操作，系统同步记录视觉信息和操作轨迹——采集数据不需要绑定某一款特定机器人，核心是纪录任务执行的不同要素的关系。

完成预训练之后，XR-1进入第二阶段：跨本体后训练（Cross-embodiment Post-training）：模型通过这些数据，逐步适配具体机器人的本体结构、运动能力和控制方式，同时学习人类更习惯使用的任务指令。

这才是小米XR-1的真正核心要点——适配，给这些无本体的动作意图一个所有机器人都能共享的物理接口。

XR-1的选择是把动作标签统一成delta EE pose（相对增量末端位姿），意思是只描述末端沿哪个方向平移多少、绕哪个轴旋转多少。

同一类操作意图在不同机器人上对应不同关节轨迹，但它们的delta EE pose是相近的。

模型在这个共享表示上学习，后训练就不需要为每台机器人维护一套独立的动作词表。

但delta EE pose只统一了动作的书写格式，解决不了运动学可行性，后训练则可以用真实机器人数据把这些不可行的映射暴露出来，让模型学会避开它们。

这就是本体对齐的第二层：共享表示提供统一坐标框架，真机数据把这个框架里的指令约束到具体机器人确实能到达的子空间。

网络层面的适配走的是分层微调。

后训练数据约10,000小时，其中小米自采真机数据超过7,200小时，这个量级自然撑不起从头训练，但它的角色是校准：视觉编码器最后几层做适应性微调，让特征从语义类别导向往物理交互导向偏，更关注可抓取部位和空间关系；

同时动作生成头DiT在跨本体数据上调整输出分布，让生成的delta EE pose序列更贴近目标本体的可达范围。

至于Qwen3-VL骨干的主体知识选择保留，但只做接口级调整。

所以，“逐步适配”的实际含义是：用delta EE pose建立跨本体的动作书写层，用真机数据把这个层约束到每台机器人的可达空间，用分层微调保留预训练知识的同时修正接口级分布偏移，再用祈使句指令把触发机制换到人类语言上。

从论文披露的实验结果来看，XR-1已经展示出一定的泛化能力。

在仿真测试中，XR-1在RoboCasa365上取得57.4%—57.6%的成功率，高于此前46.6%的最佳结果；在RoboDojo上，平均得分达到20.07，对比此前13.07的结果也有明显提升。

在少样本微调测试中，XR-1每项任务平均使用不到10小时的演示数据，四项复杂任务的平均成功率达到75%，论文给出的对比基线π0.5为40%。

此外，论文还展示了超过10分钟的房间级长程操作任务，例如自主完成行李箱打包。这类任务涉及多个连续操作环节，对模型的任务理解、动作规划和执行连贯性都有更高要求——

这不就呼应上了雷总说的小米青年公寓里的验证部署？

最后总结一下，小米具身，最有价值的探索体现在：

数据范式上的务实选择、以及验证了Scaling行为的可迁移性。

如果这一趋势在更大规模上持续成立，意味着机器人领域也可以遵循“预训练底座→下游适配”的工程范式。

小米初步越过具身智能“斩杀线”

当然客观来看，小米的XR-1远不是成熟的、一劳永逸的商业化方案，技术上更偏向工程路径探索，而非底层范式创新。

就比如，10万小时UMI数据，实际上还是和现实部署有gap的。

夹具采集的数据做训练，现在只是初步验证能迁移，一方面数据多样性质量未被独立验证；另一方面论文使用的1万小时跨本体数据超过1/4依赖开源数据集，在更复杂任务、机体上尚未被充分检验。

此外，现在仅凭官方公布的视频和公开论文，还真的没法确定小米是否已经建立起具身智能的数据飞轮。

7月份的对外公开素材中，小米机器人有不少卡壳、抖动现象。

但新的连续作业的视频是广角、加速播放的，难以看清细节。

如果之前的问题全部解决，其实也不能确定是通过个别案例人工优化，还是数据驱动的方式。

但是，对小米的具身智能业务来说，这依然是里程碑——

Figure（双足人形宝马工厂项目）、智元（轮式机器人消费电子场景）、优必选（双足人形极氪工厂）在小米之前都实现了类似这样的非标准岗位的连续作业验证。

但全部具身智能赛道，也只有这几个玩家了。

更准确地说，小米是在双足全人形、上下半身灵巧操作协同、复杂非标长程任务这几个综合维度的落地验证，跑进了第一梯队。

而这种工业场景中具身智能的斩杀线，远比C端用户更加苛刻：

标准化工位永远不可能比自动化机械臂更快更精准，成本上也不会更占优，所以具身智能只能替代机械臂做不了的，高度非标、需要灵巧操作的岗位。

就包括汽车生产车间的总装、物料转移整理等等。

汽车工厂连续8小时作业成功验证，是小米首次越过了具身智能“斩杀线”。

本文来自微信公众号 “智能车参考”（ID：AI4Auto），作者：贾浩楠 ，36氪经授权发布。