• MoT混合架构：以Qwen3-VL-4B多模态模型作为”大脑”处理视觉语言输入，Diffusion Transformer作为”小脑”负责动作生成，总参数量47亿，兼顾通用理解与精细控制。
• 两阶段训练：第一阶段通过Action Proposal机制让VLM学习动作分布对齐特征空间，混合视觉语言与机器人数据防止遗忘；第二阶段冻结VLM，专项训练DiT通过流匹配从噪声中恢复精准动作序列。
• 异步执行机制：机器人执行当前动作块的同时并行推理下一区块，用Clean Action Prefix将前一时刻动作作为输入条件，确保轨迹时序连续，从机制上消除推理延迟导致的动作断层。
• Λ-shape注意力掩码：替换DiT的因果注意力掩码，支持紧邻前缀的噪声token关注历史动作实现平滑过渡，同时禁止后续token访问前缀，强制其关注视觉信号，避免模型复制惯性动作，提升对环境突发变化的反应灵敏度。

Xiaomi-Robotics-0的项目地址

• 项目官网：https://xiaomi-robotics-0.github.io/
• GitHub仓库：https://github.com/XiaomiRobotics/Xiaomi-Robotics-0
• HuggingFace模型库：https://huggingface.co/collections/XiaomiRobotics/xiaomi-robotics-0
• 技术论文：https://xiaomi-robotics-0.github.io/assets/paper.pdf

Xiaomi-Robotics-0的应用场景

• 工业精密装配：模型可精准拆解由多达20块积木组成的复杂装配体，适用电子产品、汽车零部件等精密组装场景。
• 家庭服务清洁：模型能主动甩动毛巾暴露遮挡角落，识别多余物品并放回，适用于家务辅助与养老护理场景。
• 物流仓储分拣：模型凭借高频平滑的动作生成能力，适应不同形状、材质的多样化商品处理需求。
• 科研教育开发：模型支持高校与研究机构开展具身智能算法研究、机器人控制策略开发及教学演示。
• 商业交互展示：模型可在展厅、门店、发布会等场景部署，展现低延迟、高流畅度的人机协作能力，提升品牌技术形象。