小米具身智能三天连发 小米具身基座模型发布 雷军连续三天晒机器人家底

小米这周三连发：14 日机器人进厂，15 日统一生成模型 U0，16 日具身基座模型 Robotics-1。分开看是本体、数据、模型三个点，连起来是一套能自己转起来的系统。

先看各自做了什么。

16 日的 Robotics-1 是压轴。国内首次在机器人策略模型上系统验证了 Scaling Law——数据从 2500 小时扩到 2 万小时，模型从 2B 扩到 10B，动作预测持续改善。训练用了 10 万小时真实世界操作轨迹，自研 UMI 无本体采集设备在 1700 多个家庭、商业和工业场景里收数据，VLM 自动标注成「状态变化描述」，不依赖具体机器人型号做预训练。后训练阶段再做本体对齐和自然语言指令对齐。

四个新任务跟 π0.5 对照——手机打包、打印机加墨、衣物装载、箱子打包。每个任务平均不到 10 小时微调数据，总体成功率 75%，π0.5 是 40%。数据加到 40 小时，升到 85%，π0.5 是 53%。RoboDojo 13.93% 成功率（此前最好 8.80%），RoboCasa365 57.4%（此前谷歌 46.6%），四个仿真基准全 SOTA。

但换个角度：RoboDojo 13.93% 就是当前全球最好成绩。八次有七次搞不定。Scaling Law 被证实了，但 Scaling 该走到哪才算够，没人知道。

15 日的 U0 做的事不太一样。它的任务不是控制机器人，是给 Robotics-1 造训练数据。机器人在真实世界里出错的场景、换了光照和背景之后的样子、不同机械臂上的执行轨迹，全靠采集成本太高。U0 负责把有限真实样本扩展成更丰富的数据。在 WorldArena 全球 126 个模型中排第一。更直接的一个验证：在未知光照和陌生背景的分布外场景里，用 U0 增强数据后，机器人任务表现从 36.9% 跳到 63.2%。

14 日是最不花哨但最实的一步：机器人本体进汽车工厂。自攻螺母上件成功率 98%，中控台侧盖板排序和料箱折叠 90%。不是舞台演示，是柔性工件长时作业。

三个发布接在一起，逻辑就清楚了：机器人在工厂里跑，遇到变形、卡滞、误差，每次失败都留下可用数据 → U0 把有限数据扩展到更多环境、光照、物体和本体 → Robotics-1 从更大更复杂的数据里重新训练 → 模型变强，进更多工站，产生新一轮问题。自己喂自己。

具身智能的终局如果真是软硬件数据一体化的系统战，那小米这次亮的是整套牌。

项目已开源，在GitHub 和 HuggingFace 都能下载到。