VLA ギャラリー / モデル一覧 / 2026年の新モデル

Xiaomi-Robotics-0

Xiaomi · 2026-02

VLA2026年の新モデル4.7Bflow matching

Λ字型attention maskとRoPE位置オフセットで非同期実行を学習する。

論文

Xiaomi-Robotics-0: An Open-Sourced Vision-Language-Action Model with Real-Time ExecutionarXiv 2602.12684

概要

分類

2026年の新モデル

タイプ

VLA

発表

2026-02

機関

Xiaomi

重み公開

あり

パラメータ

4.7B

構造

バックボーンLLM

Qwen3 · Qwen3-VL-4B構成

ビジョンエンコーダ

Qwen3-VL ViT

アクションヘッド

DiT 16層 flow matching (5ステップ) (flow matching)

チャンク

10 · 4 (SimplerEnv)

制御周期

30 Hz

構造の原文要約

Qwen3-VL-4B-Instruct + 16層DiTアクション生成器(フローマッチング5ステップ); チャンク T=10(LIBERO・CALVIN)・T=4(SimplerEnv)、30 Hzタイムライン

学習

事前学習アクセラレータ

非公開

事前学習期間

非公開

事前学習ステップ・バッチ

40k steps、バッチ32,768 (VL:ロボットのサンプリング 1:6)

GPU・TPU時間

非公開

ファインチューニング

GPU・時間は非公開; バッチ2,048、Lego分解40k・タオル畳み80k steps

データ種類

実ロボットのテレオペレーション(DROID・MolmoAct・社内) + Web視覚言語

データ規模

ロボット軌跡 約200M タイムステップ; VLサンプル 80M以上; 社内タスクデータ Lego 338時間・タオル 400時間

主要データセット

DROID、MolmoActデータ、社内データ

タスク・評価

LIBERO 98.7%; SimplerEnv Google Robot 85.5%(VM)·74.7%(VA), WidowX 79.2%; CALVIN ABCD→D 4.75·ABC→D 4.80

ロボット

実ロボット双腕(機種はノートに記載なし)、シミュレーション Google Robot・WidowX

推論

推論デバイス・速度

RTX 4090、t_inf=80ms(フローマッチング5ステップ)

推論メモリ

非公開

重み bf16(計算)

9.4 GB

実行場所

ローカルPC

強化学習・ベース

強化学習

不使用 · 事前学習・事後学習ともに教師あり学習

強化学習の根拠

https://arxiv.org/html/2602.12684

ベース制御

固定 · ベースへの言及なし (6-DoF双腕ロボット)

備考

主な特徴

Λ字型attention maskとRoPE位置オフセットで非同期実行を学習する。RTX 4090で推論遅延80 msである。

備考

arXiv v1 2026-02-13、v2 2026-03-25。全体規模がタイムステップ単位のためデータ時間(h)は空欄。

検証

確認