Xiaomi-Robotics-1: foundation model de robô treinado em 100K horas

O problema dos dados em robótica

Modelos de fundação em linguagem e visão avançam porque seguem leis de escala empíricas: mais dados, mais parâmetros e mais compute geram mais capacidade. A robótica ficou para trás porque dados de manipulação em larga escala e alta qualidade são escassos. A Xiaomi propõe uma solução com o Xiaomi-Robotics-1, um modelo de fundação robótico treinado em mais de 100 mil horas de trajetórias de manipulação no mundo real, publicado em julho de 2026.

Dados e pipeline de anotação

O pré-treinamento usa 100.000 horas de trajetórias embodiment-free (UMI - Universal Manipulation Interface), abrangendo mais de 1.700 cenários: residências, estabelecimentos comerciais, sites industriais e espaços externos. Como rotular manualmente esse volume é inviável, a equipe construiu um pipeline automático de anotação baseado em um modelo de visão-linguagem forte, que divide vídeos longos em clipes de comprimento fixo e descreve as transições de estado dos objetos e do gripper em cada segmento. Para o pós-treinamento, foram usadas mais de 7.200 horas de dados de robôs reais coletados em residências, cobrindo tarefas como organizar sofá, classificar sapateira e guardar utensílios de cozinha, além de dados open-source filtrados e dados UMI de alta qualidade com anotação manual.

Método em duas etapas

Seguindo o paradigma dos LLMs, o treinamento tem duas fases. O pré-treinamento expõe o modelo a dados UMI em larga escala para aprender representações gerais de geração de ações. Um achado importante é que o pré-treinamento exibe comportamento de escala limpo: à medida que dados e tamanho do modelo crescem, o erro de ação em validação diminui de forma consistente. O pós-treinamento alinha essa capacidade com robôs reais em dois eixos: alinhamento de embodiment (mapear a geração de ações para robôs físicos) e alinhamento de instrução (passar de "gerar ações dada uma descrição de transição de estado" para "entender uma instrução em linguagem natural e executá-la"). A taxa de sucesso em robôs reais cresce de forma previsível com mais dados e modelo maior no pré-treinamento, sem sinais de saturação.

Resultados em adaptação e benchmarks

O modelo se adapta a novas tarefas com alta eficiência de dados. Com menos de 10 horas de demonstrações por tarefa em média, atinge 75% de taxa de sucesso geral, quase o dobro do baseline π0.5 (40%) no mesmo orçamento. Com menos de 40 horas por tarefa, sobe para 85%. Em quatro benchmarks de simulação (RoboCasa, RoboCasa365, VLABench e RoboDojo), o Xiaomi-Robotics-1 alcança estado da arte em todos, com ganhos relativos de até 58,3% sobre o segundo colocado no RoboDojo.

Conclusão

O trabalho demonstra um caminho prático para escalar modelos de fundação robóticos: o pré-treinamento embodiment-free em larga escala quebra o gargalo de dados, e o alinhamento com robôs reais transfere essa capacidade para o mundo físico. O modelo resultante se adapta a novas tarefas com dados mínimos e generaliza para ambientes e objetos não vistos.