欢迎加入
「易源易彩交流群」
「易源易彩交流群」
QQ扫码进群
（QQ群号：860213912）
注册得好礼
新用户微信注册享20元算力, >立即注册
关注公众号得算力
新用户关注易彩微信公众号享20元算力，
邀请有礼
邀请1人得5元算力，可累计叠加, 查看规则
摘要
小米公司近日开源了其首个跨领域具身基座模型MiMo-Embodied，标志着其在人工智能从数字向物理世界延伸的重要突破。该模型在29个不同榜单上均达到当前最佳性能（SOTA），展现出卓越的跨任务适应能力。随着大语言模型（LLM）和多模态大语言模型（MLLM）的迅猛发展，AI在理解与生成语言方面取得显著进展，但在应用于实体环境时仍面临巨大挑战。MiMo-Embodied通过整合感知、决策与行动能力，有效提升了算法在真实物理场景中的泛化与执行水平，为具身智能的发展提供了新的技术路径。此次开源将进一步推动全球研究社区在机器人、智能体等领域的协同创新。
关键词
小米, 开源, 具身, 模型, SOTA
小米自创立以来，始终秉持“开放、共享、协作”的技术理念，将开源视为推动技术创新和社会进步的重要引擎。从MIUI系统的早期社区开发模式，到近年来在AI、物联网和操作系统层面的广泛开源实践，小米不断强化其作为全球开发者生态共建者的角色。此次发布并开源首个跨领域具身基座模型MiMo-Embodied，正是这一文化传统的延续与升华。不同于封闭式的技术壁垒，小米选择将这一在29个榜单上达到SOTA（当前最佳）性能的先进模型向全球研究社区开放，体现了其推动人工智能普惠化发展的深远愿景。这种开放不仅加速了技术迭代的边界，更为学术界与产业界搭建了协同创新的桥梁。在竞争日益激烈的AI赛道中，小米以实际行动诠释了科技企业的责任担当——技术不应只为少数人所用，而应成为全人类共同前行的阶梯。
随着大语言模型（LLM）和多模态大语言模型（MLLM）在自然语言理解与生成任务中的飞速突破，AI正逐步迈向更复杂的现实应用场景。然而，当这些强大的数字智能试图介入物理世界时，却普遍面临感知延迟、动作规划失准与环境适应性差等瓶颈。MiMo-Embodied应运而生，作为小米首个专为具身智能设计的基座模型，它深度融合视觉、语言与动作控制模块，构建起从“认知”到“执行”的完整闭环。该模型通过大规模真实与仿真数据训练，在导航、操作、交互等29个关键评估榜单上均实现SOTA表现，展现出前所未有的跨任务泛化能力。其核心创新在于引入动态情境建模机制，使智能体能在复杂环境中实时调整策略，真正实现“像人一样思考与行动”。MiMo-Embodied不仅是技术的跃迁，更是通向通用机器人时代的重要一步。
MiMo-Embodied的诞生，源于小米对“智能为何”的深刻追问。在大语言模型日益强大的今天，AI可以流畅写作、编程甚至辩论，却依然难以拿起一杯水、穿过一扇门——这正是数字智能与物理世界之间的鸿沟。MiMo-Embodied的设计理念直指这一核心矛盾：真正的智能，不应止步于“思考”，更应具备“行动”的能力。因此，该模型从底层架构上打破了传统LLM与MLLM仅限于信息处理的局限，首次将视觉感知、语义理解与动作执行深度融合，构建出一个真正意义上的“具身”智能体。它不再只是坐在屏幕后的“大脑”，而是能够走进现实、感知环境、做出决策并完成任务的“身体+心灵”统一体。其优势不仅体现在技术集成的广度，更在于系统级的协同优化——通过引入动态情境建模机制，MiMo-Embodied能够在复杂多变的真实场景中实时调整行为策略，实现跨任务、跨环境的高效泛化。无论是家庭服务机器人还是工业自动化场景，这一设计理念都为未来智能体的广泛应用奠定了坚实基础。
MiMo-Embodied之所以能在29个不同榜单上同时达到当前最佳性能（SOTA），并非偶然，而是一条由数据、算法与工程实力共同铺就的技术长征。首先，小米依托其多年积累的多模态感知技术和海量真实场景数据，构建了覆盖室内外导航、物体操作、人机交互等多元任务的大规模训练集，并结合高保真仿真环境进行强化学习预训练，极大提升了模型的鲁棒性与适应力。其次，在模型架构层面，团队创新性地采用分层注意力机制与跨模态对齐策略，使语言指令、视觉输入与动作输出之间形成精准映射，显著降低了决策延迟与执行误差。更重要的是，MiMo-Embodied在训练过程中引入了持续评估反馈闭环，针对每一个细分榜单的任务特性进行精细化调优，确保其在诸如“目标导向导航”、“多步操作规划”、“动态避障响应”等关键指标上全面领先。最终，在包括Robotics API、ALFRED、BEHAVIOR在内的国际权威评测中，该模型均以显著优势登顶，29项SOTA的背后，是小米对具身智能本质的深刻洞察与不懈攻坚。
尽管大语言模型（LLM）和多模态大语言模型（MLLM）在文本生成、逻辑推理与跨模态理解方面展现出惊人的能力，但当这些“数字大脑”试图走进现实世界，面对真实空间中的不确定性与动态变化时，却频频陷入“有智无体”的困境。它们可以精准描述如何倒一杯水，却无法协调机械臂的力度与角度；能流畅规划路径，却在真实环境中因感知延迟或环境扰动而失足止步。这种从“说”到“做”的断裂，暴露出当前AI系统在具身化过程中的根本性短板——缺乏对物理规律的直觉理解、对多感官信息的实时融合能力，以及在复杂情境中持续调整行为的灵活性。尤其是在家庭服务、工业操作等高精度场景中，毫秒级的响应偏差或厘米级的空间误判都可能导致任务失败。正因如此，即便部分模型在虚拟评测中表现优异，但在29个主流具身智能榜单上长期难以突破SOTA壁垒，反映出整个行业在通向真正“可行动的智能”道路上仍面临巨大挑战。
MiMo-Embodied的出现，正是为了解决这一横亘在数字智能与物理世界之间的鸿沟。它不再将语言模型视为孤立的“决策中心”，而是将其深度嵌入一个集视觉感知、动作控制与环境反馈于一体的统一架构之中。通过引入动态情境建模机制，MiMo-Embodied能够在毫秒级时间内完成从语义理解到动作生成的闭环响应，实现对真实环境的即时适应。例如，在ALFRED导航任务中，模型不仅能理解“去厨房拿苹果”这样的抽象指令，还能结合当前视野判断门是否关闭、路径是否被遮挡，并自主规划开门、绕行等复合动作。其成功的关键在于：一方面，依托小米多年积累的真实场景数据与高保真仿真训练平台，构建了覆盖29类典型任务的大规模具身数据集；另一方面，采用分层注意力与跨模态对齐技术，确保语言、视觉与动作信号的高度协同。正是这种系统级的深度融合，使MiMo-Embodied在Robotics API、BEHAVIOR等国际权威评测中全面登顶，一举拿下29项SOTA，标志着中国企业在具身智能基座模型领域迈出了引领性的一步。
从小米创立之初，技术的温度与人文的关怀便深深植根于其基因之中。在智能时代的浪潮中，小米并未选择追逐短期流量与数据红利，而是坚定地走上了以“人”为中心的AI发展之路。从MIUI系统中最早引入用户共创机制，到2018年发布小爱同学——中国最早的大规模商用语音助手之一，小米始终将人工智能视为连接人与设备、服务与生活的桥梁。此后，小米持续加码AI研发，在计算机视觉、自然语言处理、边缘计算等领域不断突破，构建起覆盖手机、家居、穿戴设备的全场景智能生态。特别是在多模态感知与端侧智能方面的积累，为后续高阶AI模型的孵化奠定了坚实基础。如今回望这一路征程，小米的AI发展并非一蹴而就的技术跃迁，而是一场静水流深的长期主义实践。每一次算法优化、每一行开源代码，都是对“让科技更有温度”这一初心的回应。而MiMo-Embodied的诞生，正是这条漫长道路上的一座里程碑——它不仅承载着过去十年的技术沉淀，更标志着小米正式从“智能设备制造商”迈向“具身智能引领者”的关键转折。
MiMo-Embodied的出现，绝非偶然的技术插曲，而是小米AI战略演进中的核心支点，是其从“感知智能”迈向“行动智能”的历史性跨越。在过去，小米的AI能力更多体现在语音识别、图像分类等单点任务上，而MiMo-Embodied则首次实现了感知、理解与执行的闭环整合，真正让机器具备了在物理世界中自主决策与持续适应的能力。作为小米首个跨领域具身基座模型，它不仅是技术上的集大成者，更是未来智能体生态的“操作系统级”存在。其在29个国际权威榜单上达成SOTA的表现，不仅验证了模型本身的强大泛化能力，更彰显了小米在全球具身智能竞争格局中的领先地位。更重要的是，小米选择将这一尖端成果开源，展现出超越商业利益的战略格局——通过开放模型架构与训练框架，赋能全球开发者共同探索机器人、智能家居、自动驾驶等前沿场景。可以预见，MiMo-Embodied将成为小米AI生态的新引擎，推动“人-机-环境”三者之间的协同进化，最终实现“让每一个智能体都能理解世界、融入生活”的终极愿景。
大语言模型（LLM）与多模态大语言模型（MLLM）的崛起，宛如一场静默却汹涌的技术海啸，正深刻重塑人工智能的认知边界。从最初的文本生成到如今能够理解图像、语音乃至视频内容，MLLM已逐步构建起对世界更为立体的“认知图景”。然而，正如再宏伟的大厦若无地基也将倾颓，这些模型在迈向物理世界的征途中，始终面临“知行分离”的困境——它们可以滔滔不绝地描述如何完成一项任务，却无法真正伸手去执行。小米推出的MiMo-Embodied，正是在这一关键转折点上点燃的火炬。它不仅继承了LLM强大的语义理解能力，更通过深度融合视觉感知与动作控制，在29个具身智能榜单上实现SOTA突破，标志着AI从“能说”走向“会做”的质变。未来，随着模型架构的持续优化与训练数据的指数级增长，我们有理由相信，具备自主决策与环境适应能力的智能体将不再是实验室中的稀有样本，而是如空气般融入日常生活的存在。而小米以开源之姿推动这一进程，无疑为全球技术生态注入了一股温暖而坚定的力量。
当数字智能终于拥有了“身体”，一个全新的世界便在眼前徐徐展开。MiMo-Embodied的成功，不只是算法层面的胜利，更是通往人机共融未来的钥匙。试想，在家庭场景中，机器人不仅能听懂“把客厅茶几上的药瓶递给爷爷”，还能准确识别药瓶位置、避开宠物与障碍物，轻柔完成递送；在工业现场，智能体可基于自然语言指令自主巡检设备、判断故障并启动维修流程；在城市服务中，具备跨任务泛化能力的无人系统能在复杂人流中精准配送物资。这一切的背后，是小米在29项权威评测中达成SOTA所积累的技术势能。更重要的是，MiMo-Embodied的开源，意味着这些能力不再被锁在高墙之内，而是向全球开发者敞开。无论是初创团队还是学术研究者，都能以此为基础孵化出更多贴近真实需求的应用。这不仅是技术的民主化，更是人类与机器协同进化的起点——在一个由感知、理解与行动共同编织的智能网络中，每一个终端都将拥有“思考的能力”和“行动的意义”，而小米，正悄然站在这个新时代的潮头。
小米开源的首个跨领域具身基座模型MiMo-Embodied，在29个国际权威榜单上均达到当前最佳性能（SOTA），标志着人工智能从数字理解迈向物理执行的重大突破。该模型通过深度融合视觉感知、语义理解和动作控制，构建了“认知—决策—行动”的完整闭环，有效解决了大语言模型在真实环境中的适应难题。作为小米AI战略的关键里程碑，MiMo-Embodied不仅体现了其在具身智能领域的技术领先性，更以开放姿态推动全球开发者协同创新。此次开源不仅是技术共享的实践，更是加速机器人、智能家居等实体应用落地的重要推力，为实现真正意义上的通用智能体时代奠定了坚实基础。