小米机器人进青年公寓试运营

小米把具身 Agent 放进了真实公寓

小米机器人不再只做实验室里的单项演示，而是开始进入有人居住逻辑、存在真实家具与杂物的公寓环境试运行。

11 月 3 日，小米披露，基于 Xiaomi-Robotics-1 具身基座模型搭建的 Agent 系统，已经在小米青年公寓启动“试运营”。该系统完成了一次连续超过 30 分钟、覆盖 3 个房间、包含 50+ 任务的长程任务验证，可以自主执行工具准备、沙发与桌面整理、垃圾清理、物品分类归位、房间巡检、全屋复检和离场等工作。(ithome.com)

这次进展最值得关注的，不是机器人又学会了“把杯子放回桌上”，而是小米第一次把多个感知、移动和操作任务串成了一条持续半小时以上的执行链。

**具身 Agent 是能够感知物理环境、规划行动步骤，并通过机器人本体持续改变现实世界状态的智能系统。**它与聊天机器人最大的区别是，回答错一句话通常可以重试，但机器人抓错物品、碰倒家具或者在错误房间执行动作，会立即产生物理后果。

因此，30 分钟、3 个房间和 50+ 任务并不是三个普通的演示数字，而是在同时测试导航、操作、记忆、任务调度和异常恢复能否组成闭环。

30 分钟比单项成功率更难

长程任务真正困难的地方，是每一个小错误都会沿着任务链累积，而不是单个动作本身有多复杂。

假设一台机器人完成单步操作的成功率是 99%，连续执行 50 个相互依赖的步骤后，整条任务链理论上全部成功的概率只有约 60.5%；如果单步成功率降到 95%，连续 50 步全部成功的概率会跌至约 7.7%。现实任务还存在导航偏差、物体遮挡、抓取失败和环境变化，实际难度只会更高。

小米此次披露的关键指标可以概括为：

| 指标 | 本次验证结果 | 实际检验的问题 | |---|---:|---| | 连续执行时间 | 超过 30 分钟 | 模型和系统能否长期保持任务状态 | | 空间范围 | 3 个房间 | 能否跨空间导航并切换场景上下文 | | 任务规模 | 50+ 任务 | 能否拆解、排序并持续完成多阶段动作 | | 任务类型 | 整理、清扫、归位、巡检、复检 | 能否混合处理移动、抓取和视觉检查 | | 运行状态 | 青年公寓试运营 | 能否离开标准化实验室进入半开放环境 |

需要注意的是，小米尚未公开这 50+ 项究竟是 50 多种独立任务，还是一条完整工作流中的 50 多个任务节点或操作步骤。更稳妥的理解是，它代表长任务链的规模，而不能直接等同于机器人掌握了 50 多种通用家庭技能。

“试运营”也不等于已经达到可以面向普通住户销售的成熟度。小米没有公布任务完成率、人工接管次数、平均故障间隔、充电次数、单次运行成本以及面对人员走动时的表现，这些指标才决定机器人能否真正无人值守。

Agent 闭环是这次更新的核心

小米此次展示的产品并不只是 Xiaomi-Robotics-1 模型，而是一套覆盖数据采集、模型推理和任务执行的 Agent 闭环系统。

所谓 Agent 闭环，是机器人在执行动作后重新观察环境，根据结果更新计划，而不是提前播放一套固定动作。整理桌面时，如果水杯没有成功放进托盘，系统需要识别“任务状态没有改变”，重新选择抓取点；进入下一个房间前，还需要确认当前区域是否已经完成复检。

一套可运行的具身 Agent 通常至少包含以下环节：

1. 环境感知：通过头部、腕部等摄像头识别物体、房间状态和机器人自身位置。
2. 任务规划：把“整理整套公寓”拆分成可执行的房间级和物体级任务。
3. 动作生成：将自然语言目标转化为机械臂、夹爪和移动底盘的连续动作。
4. 执行反馈：判断抓取、放置、清理或巡检是否真正完成。
5. 异常恢复：遇到抓空、遮挡、路线受阻时，重新规划而不是直接停止。

这意味着 Xiaomi-Robotics-1 更像负责感知和动作生成的“运动大脑”，而 Agent 系统负责维持全局目标、调用模型、检查结果并决定下一步。只展示模型能力，机器人可能完成一次漂亮的抓取；加入 Agent 闭环后，它才有机会完成一整轮房间清理。

Xiaomi-Robotics-1 到底是什么

Xiaomi-Robotics-1 是面向移动操作任务的视觉—语言—动作具身基座模型，英文类型通常写作 Vision-Language-Action Model，也就是 VLA 模型。

VLA 模型接收摄像头画面、自然语言指令和机器人状态，直接预测机械臂、夹爪或移动平台接下来应该执行的动作。它相当于把视觉模型的“看懂”、语言模型的“听懂”和机器人策略模型的“动手”放进同一个系统。

按照小米开源仓库的说明，Xiaomi-Robotics-1 使用超过 10 万小时的真实世界 UMI 操作轨迹进行预训练，数据覆盖 1700 多种场景；随后又使用超过 1 万小时跨本体数据进行后训练，使同一套能力可以对齐不同机器人硬件。模型主体将 Qwen3-VL 视觉语言模型与 Diffusion Transformer 动作模块连接，并采用 Mixture-of-Transformers 架构兼顾视觉理解和动作生成效率。(github.com)

**UMI 是一种由人类手持设备采集操作轨迹、减少对特定机器人硬件依赖的数据采集方案。**它的意义在于，人可以先拿着采集设备完成开柜门、整理物品等动作，再将数据用于训练机器人，不必让昂贵的机器人慢慢试错 10 万小时。

小米采用了类似大语言模型的两阶段训练思路：预训练负责扩大能力边界，后训练负责把能力对齐到具体机器人和自然语言指令。这个路线的优势是，机器人每增加一种任务时，不需要从零训练整套模型，只需要使用少量高质量示范数据进行适配。

模型成绩不错，但真实公寓更有价值

Xiaomi-Robotics-1 在仿真基准上的成绩已经处于第一梯队，但公寓试运行比排行榜排名更能说明产品方向。

根据官方 GitHub 公布的数据，XR-1 在 RoboCasa、RoboCasa365、VLABench 和 RoboDojo 四项基准上均超过当时的第二名：(github.com)

| 评测基准 | XR-1 成功率 | 第二名 | 相对提升 | |---|---:|---:|---:| | RoboCasa | 74.5% | 72.6% | 2.6% | | RoboCasa365 | 57.4% | 46.6% | 23.2% | | VLABench | 59.1% | 53.2% | 11.1% | | RoboDojo | 13.93% | 8.80% | 58.3% |

这些数据证明了模型在统一测试条件下的竞争力，却不能直接代表家庭服务机器人的可用性。RoboDojo 上 13.93% 的成功率虽然比第二名高出 58.3%，但也说明复杂操作基准仍然远未被解决；领先排行榜和达到产品要求，是两个完全不同的门槛。

小米还公布了 XR-1 在少量数据适配新任务时与 π0.5 的对比。在平均每项任务不足 10 小时训练数据的条件下，XR-1 在手机装箱、打印机补充、洗衣装载和纸箱打包四项任务上的总体成功率达到 75%，而 π0.5 为 40%；当数据增加到平均不足 40 小时时，XR-1 总体成功率提升到 85%，π0.5 为 53%。(github.com)

这组结果透露出一个比榜单名次更重要的信息：小米试图把机器人开发从“每个任务单独做工程”变成“先训练通用基座，再用少量数据适配场景”。如果这条路线成立，部署新任务的成本才可能从数月工程开发缩短到数天或数周的数据采集与调优。

小米的两条机器人路线已经分工

小米目前的机器人模型路线可以简单理解为：Xiaomi-Robotics-0 更强调低延迟控制，Xiaomi-Robotics-1 更强调大规模数据预训练和跨任务泛化。

| 产品或系统 | 主要定位 | 已公开关键指标 | 更适合的场景 | |---|---|---|---| | Xiaomi-Robotics-0 | 低延迟机器人 VLA 模型 | 消费级显卡上约 80 毫秒推理延迟 | 对实时控制要求高的单项操作 | | Xiaomi-Robotics-1 | 通用具身基座模型 | 10 万小时以上预训练、1 万小时以上后训练 | 未见环境、新任务和跨本体适配 | | 青年公寓 Agent | 长程任务执行系统 | 30 分钟以上、3 个房间、50+ 任务 | 整理、清扫、归位和巡检工作流 | | 工厂机器人系统 | 稳定生产作业 | 连续挑战 8 小时工站任务 | 固定节拍、强调合格率的工业生产 |

这种分工比只做一个“大而全”的机器人模型更务实。工业场景需要稳定、节拍和异常纠偏，家庭场景需要理解开放环境并处理任务变化，两者最终可能共享基座能力，但工程指标完全不同。

小米同日披露，其人形机器人在中控台侧盖板排序工站完成了 8 小时作业挑战，并能进行异常自主纠偏和产线系统协同。家庭的 30 分钟长程任务与工厂的 8 小时连续作业被同时公布，说明小米正在并行验证“开放环境泛化”和“固定环境可靠性”两条产品线。(ithome.com)

青年公寓是一个聪明的试验场

小米青年公寓不是完全开放的普通家庭，却比机器人实验室更接近真实生活，因此很适合作为具身 Agent 的中间验证场。

一方面，公寓的房型、家具和智能设备可以标准化，小米能够控制环境变量，快速定位机器人失败原因；另一方面，桌面杂物、垃圾和物品摆放每天都会变化，不可能像实验台一样把目标物体放在固定坐标。

青年公寓还与小米现有智能家居生态天然连接。未来机器人不一定要完全依靠视觉判断门锁、灯光和空调状态，而可以与房间里的传感器、智能门锁、扫地机器人和家电协作。移动操作机器人负责处理非结构化物体，固定智能设备负责提供环境信息，这比要求一台人形机器人包办所有工作更现实。

但这种场景也可能掩盖部分问题。统一户型能够降低地图变化和家具差异带来的难度，公寓内部如果预先布置了标记、固定收纳位置或高质量网络，系统在普通住宅中的表现可能明显下降。因此，下一阶段更值得关注的不是演示视频长度，而是跨户型部署时间和人工接管率。

这还不是“机器人保洁员”

小米这次试运营证明的是具身 Agent 已经能够跑通一条较长的公寓任务链，而不是机器人已经可以替代保洁或物业人员。

真正面向用户运营，至少还需要公布五类指标：

• 任务成功率：连续任务中有多少可以在无人干预下完成。
• 人工接管率：机器人每运行一小时需要多少次远程或现场协助。
• 安全指标：是否能稳定避让人员、宠物、易碎品和液体。
• 经济性指标：硬件成本、功耗、维护成本和单次服务成本。
• 泛化指标：换一个房型、家具布局或机器人本体后，需要多少数据重新适配。

家庭机器人最后竞争的不是一次演示有多惊艳，而是能否每天重复工作、失败后自己恢复，并且总体成本低于人工服务。30 分钟连续执行值得肯定，但距离“每天工作数小时、连续运行数月”仍然至少隔着一个数量级的可靠性验证。

小米开始把模型优势变成场景优势

小米此次更新的真正意义，是 Xiaomi-Robotics-1 从一个有排行榜成绩的开源模型，向可在真实空间运行的具身 Agent 系统迈出了一步。

过去一年，具身智能行业发布了大量抓取、叠衣和整理演示，但多数视频仍是单一任务、短时运行或经过挑选的成功案例。小米把任务拉长到 30 分钟以上，并加入跨房间移动、复检和离场环节，至少开始正面处理长程任务最麻烦的状态管理问题。

小米的优势也不只在模型。它拥有手机与视觉硬件、智能家居设备、汽车工厂、物业空间和完整供应链，可以同时获得家庭数据、工业数据和真实部署场景。对具身智能来说，这种场景资源可能比单纯增加模型参数更难复制。

不过，在小米公开任务成功率、接管次数和长期运行数据之前，这次进展更适合被定义为一次有价值的场景验证，而不是家庭机器人的商业化拐点。

参考来源

• IT之家：Xiaomi-Robotics-1 在小米青年公寓启动试运营——披露连续 30 分钟、跨 3 个房间和 50+ 任务等核心信息。
• IT之家：小米机器人挑战工厂 8 小时作业与家庭长程任务——补充工业场景验证及 Agent 闭环任务流程。
• GitHub：Xiaomi-Robotics-1 官方开源仓库——提供模型架构、训练范式、基准测试与部署资料。
• Hugging Face：Xiaomi-Robotics-1-5B 模型页面——提供 5B 模型权重、依赖要求和后训练说明。