小米机器人新突破：用10万小时人类手持数据训练VLA

TinfoilTricorn · x · 2026-08-05

小米机器人 CyberOne 近期展示了其基于视觉-语言-动作（VLA）模型的新进展。该模型在预训练阶段使用了超过 10 万小时的真实世界 UMI 手持夹爪轨迹数据。

这种方案试图用低成本的人类手持录制数据，替代昂贵的机器人本体演示。在对齐机器人后，它能在未见过的房间里完成收鞋、整理行李箱和收拾桌子等任务。在受控测试中，每个任务仅需不到 10 小时的微调，就能在手机包装、打印机加纸等任务上平均达到 75% 的成功率。