小米发布首个开源具身VLA模型，4.7B参数量适配消费级显卡。通过VLM+DiT架构及海量数据训练，该模型有效解决了空间认知难题，在多项基准测试中达到SOTA水平，为具身智能领域带来新的技术突破。
智能速览
小米发布首个开源具身VLA模型，4.7B参数适配消费级显卡。
采用VLM+DiT架构，强迫预测未来动作以修正空间认知缺陷。
使用2亿+动作轨迹和8000万+视觉语言数据进行训练。
在多个benchmark上取得SOTA级别效果，技术表现亮眼。
精华内容
该模型不仅在架构上融合了视频生成思路，更在训练数据上实现了规模化突破，具身智能领域迎来强力竞争者。
架构创新
模型采用了VLM（视觉语言模型）与DiT（扩散Transformer）相结合的架构。这种设计与当前流行的视频生成和状态预测模型思路一致。为了解决传统VLM更偏向图片和文本认知、缺乏空间认知能力的问题，训练过程中强迫模型预测未来的动作状态。这种机制有效增强了模型对空间和动作的理解能力，使其在具身任务中表现更加精准。
数据规模
训练数据的规模是该模型取得SOTA效果的关键。模型使用了超过2亿条跨本体的动作轨迹数据，以及超过8000万的视觉-语言数据。这种大规模的数据投喂，让模型在处理复杂环境和多样化任务时具备了更强的泛化能力，确保了其在不同场景下的鲁棒性。
行业影响
虽然这是小米在具身智能领域的第一步，但其潜力不容小觑。小米拥有充足的资源、资金以及强大的供应链能力，加之在智能家居和机器人领域丰富的落地场景，使其成为具身智能赛道中不可忽视的玩家。此次开源将推动社区共同进步，加速技术迭代。
小米开源VLA模型为具身智能社区注入了新活力，展示了其技术储备与野心。随着更多企业入局，具身智能的竞争将愈发激烈，未来的机器人会有怎样的进化？
