Xiaomi-Robotics-1 ist kein Chatmodell und keine Bühnendemonstration. Die Veröffentlichung stellt eine engere Frage: Können Robotik-Policy-Modelle verlässlich besser werden, wenn Datenmenge und Modellgröße wachsen?
"Xiaomi-Robotics-1 is a ready-to-use robot foundation model trained on over 100K hours of real-world manipulation trajectories."
Damit positioniert Xiaomi das Modell als Roboter-Basismodell, trainiert mit mehr als 100.000 Stunden realer Manipulationstrajektorien.
Der Engpass heißt Daten
Roboterdaten sind teuer, weil sie Körper, Bediener, reale Orte und Wartung brauchen. Xiaomi nutzt UMI-Trajektorien, die nicht an einen bestimmten Roboterkörper gebunden sind. Sie decken mehr als 1.700 Szenarien in Haushalten, Gewerbeflächen, Industrieumgebungen und Außenbereichen ab.
Lange Trajektorien werden in Clips zerlegt und von einem Vision-Language-Modell mit Zustandsänderungen beschrieben. Im Post-Training verbindet Xiaomi diese allgemeinen Aktionsmuster mit echten Robotern und natürlichen Sprachbefehlen. Die offizielle Seite nennt mehr als 7.200 Stunden eigener Real-Robot-Daten aus echten Wohnungen; chinesische Berichte nennen rund 11.000 Stunden für den gesamten Cross-Embodiment-Datensatz.
Starke Benchmarks, klare Grenzen
Die gemeldeten Ergebnisse: 74,5% auf RoboCasa, 57,4% auf RoboCasa365, 59,1% auf VLABench und 13,93% auf RoboDojo. Der RoboCasa-Eintrag nennt zudem 80,2% Atomic-Seen, 57,1% Composite-Seen und 32,1% Composite-Unseen; bewertet wurde mit privatem Zugriff auf Gewichte und Code.
Für neue Aufgaben meldet Xiaomi 75% Gesamterfolg mit durchschnittlich unter 10 Stunden Demonstrationen pro Aufgabe, gegenüber 40% für pi0.5. Unter 40 Stunden heben das Ergebnis auf 85%, gegenüber 53% für die Baseline.
Das ist noch kein Produktionsurteil. Dauerbetrieb, Hardwareverschleiß, Fehlererholung, Sicherheit und Wartungskosten bleiben offen. GitHub markiert Code und Modellgewichte weiterhin als angekündigt, und RoboCasa führt das Modell als nicht open source.
Quellen: Zhidongxi, Xiaomi-Robotics-Projektseite, CocoLoop, GitHub-Projekt, RoboCasa Leaderboard und CLS; geprüft wurden 100.000 Stunden, mehr als 1.700 Szenarien, 7.200 Real-Robot-Stunden, 75%/85% Low-Data-Anpassung, RoboCasa365 57,4% und RoboDojo 13,93%.