VLA 图库 / 模型列表 / 2026年新增

Xiaomi-Robotics-0

Xiaomi · 2026-02

VLA2026年新增4.7Bflow matching

用Λ形attention mask和RoPE位置偏移学习异步执行。

论文

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

概述

分类

2026年新增

类型

VLA

发布

2026-02

机构

Xiaomi

权重公开

是

参数

4.7B

架构

主干LLM

Qwen3 · Qwen3-VL-4B配置

视觉编码器

Qwen3-VL ViT

动作头

DiT 16层flow matching (5步) (flow matching)

动作块

10 · 4 (SimplerEnv)

控制频率

30 Hz

架构原文摘要

Qwen3-VL-4B-Instruct + 16层DiT动作生成器(flow matching 5步);动作块T=10(LIBERO·CALVIN)·T=4(SimplerEnv),30 Hz时间线

训练

预训练加速器

未公开

预训练时长

未公开

预训练步数·批量

40k steps，批量32,768 (VL:机器人采样1:6)

GPU·TPU-小时

未公开

微调

GPU·时间未公开；批量2,048，Lego拆解40k·叠毛巾80k steps

数据类型

真实机器人遥操作(DROID·MolmoAct·内部) + 网络视觉-语言

数据规模

机器人轨迹约 200M时间步；VL样本 80M以上；内部任务数据 Lego 338小时·毛巾 400小时

主要数据集

DROID，MolmoAct数据，内部数据

任务·评估

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

机器人

真实机器人双臂(机型笔记未注明)，仿真Google Robot·WidowX

推理

推理设备·速度

RTX 4090, t_inf=80ms(flow matching 5步)

推理显存

未公开

权重 bf16（计算）

9.4 GB

运行位置

本地PC

强化学习与底盘

强化学习

未使用 · 预训练·后训练均为监督学习

强化学习依据

https://arxiv.org/html/2602.12684

底盘控制

固定 · 未提及底盘（6-DoF双臂机器人）

备注

核心特点

用Λ形attention mask和RoPE位置偏移学习异步执行。在RTX 4090上推理延迟80 ms。

备注

arXiv v1 2026-02-13，v2 2026-03-25。整体规模以时间步为单位，故数据时间(h)留空。

核验

已确认