Xiaomi Robotics hat mit Xiaomi-Robotics-1 ein neues Vision-Language-Action-Modell vorgestellt, das auf mehr als 100.000 Stunden realer Manipulationstrajektorien vortrainiert wurde. Die Größenordnung ist bemerkenswert, aber sie braucht eine wichtige Präzisierung: Der Großteil dieser Daten stammt von handgeführten UMI-Greifern und nicht aus 100.000 Stunden autonomem Roboterbetrieb. Code und Modellgewichte sind zum Redaktionsstand 20. Juli 2026 noch nicht öffentlich verfügbar.
Das Wichtigste in Kürze
- Xiaomi-Robotics-1 ist ein Vision-Language-Action-Modell (VLA) für mobile und stationäre Manipulationsaufgaben.
- Das Vortraining nutzt laut technischem Bericht mehr als 100.000 Stunden UMI-Trajektorien aus Haushalten, Büros, Gewerbe-, Industrie- und Außenumgebungen.
- Das anschließende Post-Training umfasst rund 10.000 Stunden Cross-Embodiment-Daten, darunter mehr als 7.200 Stunden mit mobilen Manipulatoren und Zweiarmrobotern.
- Die Architektur kombiniert Qwen3-VL mit einem kleineren Diffusion Transformer und wird in Varianten mit insgesamt 2,6, 5,1 und 10,5 Milliarden Parametern untersucht.
- Xiaomi meldet Bestwerte auf RoboCasa, RoboCasa365, VLABench und RoboDojo. Das sind Herstellerergebnisse aus dem eigenen Paper, noch keine unabhängige Replikation.
- Der öffentliche GitHub-Stand enthält derzeit nur README und PDF. Die dort angekündigten Checkpoints und der Code fehlen noch.
Was Xiaomi-Robotics-1 eigentlich ist
Ein Sprachmodell erzeugt Text. Ein Vision-Language-Action-Modell soll dagegen aus Kamerabildern, einer sprachlichen Anweisung und dem aktuellen Zustand eines Roboters konkrete Bewegungssequenzen ableiten. Xiaomi-Robotics-1 bekommt also beispielsweise ein Bild der Umgebung und die Anweisung, bestimmte Gegenstände in einen Koffer zu packen. Das Modell berechnet daraus sogenannte Action Chunks: mehrere aufeinanderfolgende Steuerbefehle für Arme, Greifer, mobile Basis und gegebenenfalls die Höhenverstellung des Roboters.
Der technische Ansatz besteht aus zwei eng gekoppelten Teilen. Als visuell-sprachliches Rückgrat dient Qwen3-VL. Dazu kommt ein kleinerer Diffusion Transformer (DiT), der die kontinuierlichen Roboteraktionen per Flow Matching erzeugt. Xiaomi beschreibt diese Verbindung als Mixture-of-Transformers. Der DiT besitzt gleich viele Schichten wie das jeweilige VLM, arbeitet aber mit einer kleineren Hidden Size, um die Aktionsgenerierung zu beschleunigen.
Der Bericht nennt drei Skalierungsvarianten:
- Xiaomi-Robotics-1-2B mit insgesamt 2,6 Milliarden Parametern
- Xiaomi-Robotics-1-5B mit insgesamt 5,1 Milliarden Parametern
- Xiaomi-Robotics-1-10B mit insgesamt 10,5 Milliarden Parametern
Die Kurzbezeichnungen beziehen sich damit nicht exakt auf die vollständige Parameterzahl. Bei der 10B-Variante entfallen laut Paper 8,8 Milliarden Parameter auf das VLM und 1,5 Milliarden auf den DiT. Welche Variante später tatsächlich als Download erscheint und welche Hardware sie für Echtzeitsteuerung benötigt, ist bislang offen.
Warum die 100.000 Stunden eine wichtige, aber missverständliche Zahl sind
Die Formulierung „100.000 Stunden reale Trajektorien“ klingt zunächst so, als hätten Roboterarme mehr als elf Jahre am Stück gearbeitet. Das ist nicht gemeint. Xiaomi setzt im Vortraining auf Universal Manipulation Interface (UMI): tragbare, handgeführte Greifer mit Ego-Kameras. Menschen führen damit Manipulationen in realen Umgebungen aus. Das System zeichnet Kamerabilder und Bewegungen auf, ohne dass für jede Datenerhebung ein kompletter Roboter teleoperiert werden muss.
Dieser Ansatz adressiert einen zentralen Engpass der Robotik. Webdaten für Sprach- und Bildmodelle sind massenhaft verfügbar; hochwertige Robotertrajektorien sind dagegen teuer, langsam und häufig auf wenige Labore oder Hardwaretypen beschränkt. UMI-Daten lassen sich breiter sammeln und decken mehr Objekte, Räume und Bewegungsmuster ab. Die Übertragung von einem handgeführten Greifer auf echte Roboterkörper ist allerdings eine eigene Lernaufgabe und keineswegs automatisch gelöst.
Auch die Sprachannotation wurde skaliert. Xiaomi teilt die Trajektorien in feste Segmente und lässt Qwen3.5-27B beschreiben, wie sich Greifer und Objekte in jedem Segment verändern. Laut Bericht konnte die gesamte Sammlung mit einer parallelen Producer-Consumer-Pipeline in rund zwei Wochen annotiert werden. Das Modell lernt im Vortraining somit nicht primär klassische Imperative wie „Stelle das Glas auf das Tablett“, sondern Zustandsübergänge: Wie muss eine Aktion aussehen, damit die beobachtete Szene den beschriebenen Zielzustand erreicht?
Für das Post-Training verschiebt Xiaomi den Fokus auf Anweisungen, wie Menschen sie einem Roboter tatsächlich geben würden. Der Datensatz umfasst insgesamt rund 10.000 Stunden: mehr als 7.200 Stunden mit mobilen Manipulatoren und Zweiarmrobotern, mehr als 1.000 Stunden manuell segmentierte und beschriftete UMI-Daten sowie offene Datensätze wie Bridge V2, RT-1 und DROID. Damit soll das Modell die im UMI-Vortraining erworbenen Manipulationsmuster auf unterschiedliche Roboterkörper übertragen.
Was die Scaling-Grafik tatsächlich zeigt
Die offizielle Grafik stellt zwei Fragen getrennt dar: Wie stark hilft mehr Post-Training-Datenvolumen, und was bringt eine größere Modellvariante? In beiden Experimenten steigt die gemessene Erfolgsrate mit der jeweiligen Skala. Besonders deutlich ist der Unterschied beim Datenvolumen.
Die wichtigste Aussage ist nicht, dass ein bestimmter Balken bereits allgemeine Roboterintelligenz belegt. Der Bericht zeigt vielmehr, dass größere und vielfältigere Datensätze innerhalb des gewählten Setups weiterhin messbare Verbesserungen bringen. Bei den Vortrainingsexperimenten auf einem Teilkorpus von rund 20.000 Stunden war der Effekt zusätzlicher Daten sogar klarer als der Unterschied zwischen den Modellgrößen. Xiaomi selbst folgert daraus, dass Datenvielfalt aktuell eher zum Engpass wird als die reine Zahl der Milliarden Parameter.
Dafür gelten klare Einschränkungen. Die Experimente stammen vom Entwicklerteam selbst, die Rohdaten sind nicht veröffentlicht, und ohne Checkpoints lässt sich die Skalierungskurve derzeit nicht extern reproduzieren. Außerdem sind Erfolgsraten stark vom Testaufbau, den konkreten Aufgaben und der Definition eines erfolgreichen Versuchs abhängig.
Benchmark-Ergebnisse im Kontext
Auf RoboCasa erreicht Xiaomi-Robotics-1 laut Tabelle im Paper eine durchschnittliche Erfolgsrate von 74,5 Prozent. Verglichen wird über 24 Küchenaufgaben und insgesamt 100 Evaluierungsepisoden pro Aufgabe in fünf Szenen. Der nächstplatzierte Wert in der Tabelle liegt für World2Act bei 72,6 Prozent.
Auf dem größeren RoboCasa365 berichtet Xiaomi 57,4 Prozent im Durchschnitt. Besonders auffällig ist der Split mit ungesehenen zusammengesetzten Aufgaben: Dort werden 32,1 Prozent erreicht, während der stärkste angegebene Vergleichswert bei 14,9 Prozent liegt. Die Autoren interpretieren das als Hinweis darauf, dass das Modell gelernte atomare Fähigkeiten besser zu neuen Abläufen kombinieren kann.
Der Bericht enthält hier eine kleine Inkonsistenz, die in Zusammenfassungen leicht verloren geht: Im Abstract stehen 57,6 Prozent, während die detaillierte Ergebnistabelle und die Projektseite 57,4 Prozent nennen. Für die Einordnung ist die ausführliche Tabelle die belastbarere Referenz; deshalb verwenden wir 57,4 Prozent.
Auf RoboDojo sind zwei Kennzahlen relevant. Xiaomi-Robotics-1 erreicht im Mittel einen Score von 20,07 und eine Erfolgsrate von 13,93 Prozent. Der stärkste Vergleich Hy-Embodied-0.5-VLA kommt auf einen Score von 13,07 und 8,80 Prozent Erfolg. Die 13,93 Prozent auf Xiaomis Website sind also nicht derselbe Messwert wie der im Paper hervorgehobene Score 20,07. Das Modell liegt außerdem beim Memory-Teiltest nicht vorn; Xiaomi weist darauf hin, dass in dieser Evaluation keine Beobachtungshistorie verwendet wurde.
Auch bei VLABench führt das Modell laut Xiaomi mehrere Durchschnittswerte an, bleibt beim Intention Score aber knapp hinter ERVLA. Solche Details sind wichtig: „State of the Art auf vier Benchmarks“ bedeutet nicht, dass jede einzelne Unterkategorie gewonnen wurde.
Reale Aufgaben: starkes Signal, aber kleine Stichprobe
Neben Simulationen zeigt Xiaomi vier anspruchsvolle reale Fine-Tuning-Aufgaben: Smartphone-Verpackung, Druckerpatronen einsetzen, Wäsche in eine Waschmaschine laden und Gegenstände in einen Karton packen. In der Low-Data-Einstellung wurden insgesamt 36 Stunden Daten verwendet, also im Mittel weniger als zehn Stunden pro Aufgabe.
Xiaomi-Robotics-1 erreicht laut Bericht über die vier Aufgaben hinweg 75 Prozent durchschnittliche Erfolgsrate und 90 Prozent Fortschritt. Das Vergleichsmodell π0.5 kommt auf 40 Prozent Erfolg und 66 Prozent Fortschritt. Für das Einsetzen einer Druckerpatrone steigt die Erfolgsrate gegenüber dem besten Vergleich von 20 auf 70 Prozent; beim Wäscheladen werden 80 Prozent gemeldet.
Diese Ergebnisse sind interessant, aber nicht endgültig. Jedes Modell wurde pro Aufgabe nur in zehn Versuchen getestet. Bei einer so kleinen Stichprobe verändert bereits ein einzelner Erfolg oder Fehlschlag die Rate um zehn Prozentpunkte. Die Resultate zeigen daher eher, dass das Vortraining einen deutlichen Fine-Tuning-Vorteil versprechen könnte, als dass sie eine robuste Aussage über Zuverlässigkeit im produktiven Dauerbetrieb erlauben.
Die spektakulärste Demonstration ist eine mehr als zehn Minuten lange mobile Aufgabe, bei der ein Roboter einen Koffer in mehreren Räumen packt. Das Video belegt eine konkrete End-to-End-Demonstration. Es ersetzt jedoch keinen standardisierten Sicherheitstest und keine Messung über viele Wiederholungen.
Zugang: Paper öffentlich, Code und Gewichte fehlen
Die Projektseite und der arXiv-Bericht sind öffentlich. Das arXiv-Paper wurde am 16. Juli 2026 als Version 1 eingereicht. Für Entwickler ist der entscheidende Punkt aber der tatsächliche Modellzugang.
Das GitHub-Repository war beim Check am 20. Juli öffentlich, enthielt jedoch nur eine README-Datei und das PDF des Papers. In der README stehen sowohl „Code“ als auch „Model“ auf Coming soon. Auch in Xiaomis öffentlicher Hugging-Face-Organisation war zu diesem Zeitpunkt kein Xiaomi-Robotics-1-Checkpoint gelistet. Dort vorhandene Modelle wie Xiaomi-Robotics-0 oder Xiaomi-Robotics-U0 sind andere Veröffentlichungen und dürfen nicht mit Robotics-1 verwechselt werden.
Damit ist Xiaomi-Robotics-1 aktuell eine öffentlich dokumentierte Forschungsvorstellung, aber noch kein öffentlich nutzbares Modell. Unbekannt bleiben:
- die konkrete Lizenz für Robotics-1,
- die Größe und Form der veröffentlichten Checkpoints,
- benötigte GPU- und Roboterhardware,
- Inferenzlatenz und Steuerfrequenz,
- Installations- und Fine-Tuning-Code,
- Umfang und Lizenzierbarkeit der Trainingsdaten,
- Sicherheitsmechanismen für reale Manipulation.
Xiaomi kündigt Code und Checkpoints an, nennt aber auf der Projektseite keinen belastbaren Veröffentlichungstermin. Eine spätere Freigabe kann diese Einschätzung verändern.
Was Entwickler nach einem Release prüfen sollten
Der erste sinnvolle Test ist nicht ein Demo-Video, sondern Reproduzierbarkeit. Lassen sich die veröffentlichten Checkpoints mit dem angegebenen Code laden? Stimmen Modellvariante, Parameterzahl und Lizenz zusammen? Welche Komponenten von Qwen3-VL und dem DiT werden tatsächlich bereitgestellt?
Danach folgen Messungen auf eigener Hardware und im eigenen Aufgabenbereich. Besonders relevant sind Aktionsfrequenz, Latenz, Speicherbedarf und die Stabilität über lange Abläufe. Ein zehnminütiger Erfolg in einer Demonstration sagt wenig darüber aus, wie häufig das System nach hundert Versuchen in denselben Zustand gelangt.
Auch die Übertragbarkeit ist entscheidend. Xiaomi trainiert mit mobilen Manipulatoren, Zweiarmrobotern, statischen Armen und UMI-Daten. Entwickler müssen prüfen, wie der einheitliche Aktionsvektor auf ihre Kinematik, Greifer, Kamerapositionen und Sicherheitsgrenzen abgebildet wird. Cross-Embodiment-Training reduziert den Aufwand möglicherweise, beseitigt aber nicht die Kalibrierung für konkrete Hardware.
Schließlich sollte die Community die Benchmark-Werte unabhängig reproduzieren. Besonders aussagekräftig wären Tests auf RoboCasa365 Composite-Unseen und reale Low-Data-Fine-Tunings mit mehr als zehn Versuchen pro Aufgabe. Erst dann lässt sich beurteilen, ob Xiaomis Daten-Skalierung auch außerhalb der eigenen Infrastruktur trägt.
Einordnung: Der Datensatz ist die eigentliche Nachricht
Xiaomi-Robotics-1 ist noch kein Produkt, das Entwickler heute installieren können. Die wichtigste Nachricht ist deshalb nicht der behauptete Spitzenplatz auf einer einzelnen Benchmark, sondern der Versuch, die Datenskalierung aus Sprach- und Bildmodellen auf Robotik zu übertragen.
Mehr als 100.000 Stunden UMI-Trajektorien, automatische Sprachannotation und rund 10.000 Stunden Cross-Embodiment-Post-Training ergeben eine Größenordnung, die traditionelle Roboterdatensätze deutlich übersteigt. Gleichzeitig zeigt der Bericht selbst, warum die Zahl differenziert gelesen werden muss: UMI-Aufzeichnungen, echte Robotertrajektorien, offene Datensätze und visuell-sprachliche Daten erfüllen unterschiedliche Funktionen.
Falls Xiaomi Code, Gewichte und ausreichende Dokumentation tatsächlich veröffentlicht, könnte Robotics-1 zu einem wichtigen Prüfstein für skalierbare VLA-Modelle werden. Bis dahin bleibt die faire Bewertung: technisch ambitioniert, mit starken Herstellerresultaten und einer ungewöhnlich großen Datengrundlage – aber noch nicht unabhängig prüfbar und nicht öffentlich einsetzbar.
Häufige Fragen zu Xiaomi-Robotics-1
Ist Xiaomi-Robotics-1 Open Source?
Noch nicht. Projektseite, Paper und ein öffentliches GitHub-Repository sind verfügbar, aber Code und Modellgewichte fehlen zum Stand 20. Juli 2026. Auch eine Lizenz für Robotics-1 ist noch nicht ausgewiesen.
Wurde das Modell wirklich mit 100.000 Stunden Roboterdaten trainiert?
Präziser sind es laut Xiaomi mehr als 100.000 Stunden reale Manipulationstrajektorien, die überwiegend mit handgeführten UMI-Greifern und Ego-Kameras gesammelt wurden. Dazu kommen rund 10.000 Stunden Cross-Embodiment-Daten im Post-Training, darunter mehr als 7.200 Stunden mit echten Robotern.
Welche Modellgrößen gibt es?
Der technische Bericht untersucht Varianten mit insgesamt 2,6, 5,1 und 10,5 Milliarden Parametern. Welche davon als Checkpoint veröffentlicht werden, ist noch nicht bekannt.
Sind die Benchmark-Ergebnisse unabhängig bestätigt?
Nein. Die Zahlen stammen aus Xiaomis eigenem technischen Bericht. Ohne veröffentlichten Code, Checkpoints und vollständige Evaluierungsartefakte ist eine unabhängige Reproduktion derzeit nicht möglich.
Wo kann man Xiaomi-Robotics-1 testen?
Aktuell nirgends öffentlich. Es gibt keine frei nutzbare Demo, API oder herunterladbare Robotics-1-Gewichte. Xiaomi hat Code und Checkpoints lediglich angekündigt.