目录
[三、成果如何？29 项测试领先的"六边形战士"](#三、成果如何？29 项测试领先的“六边形战士”)
[四、MiMo-Embodied 的深远意义：打通智能体的"任督二脉"](#四、MiMo-Embodied 的深远意义：打通智能体的“任督二脉”)
🎬 攻城狮7号 ：个人主页
🔥 个人专栏 :《AI前沿技术要闻》
⛺️ 君子慎独!
🌈 大家好，欢迎来访我的博客！
⛳️ 此篇文章主要介绍小米具身大模型 MiMo-Embodied
📚 本期文章收录在《AI前沿技术要闻》，大家有兴趣可以自行查看！
⛺️ 欢迎各位 ✔️ 点赞 👍 收藏 ⭐留言 📝！
前言
在人工智能的世界里，长期存在着两个看似平行但目标一致的"物种"：一个是力求在室内环境中与物体精准交互的"机器人"（具身智能），另一个则是在复杂动态的道路上安全行驶的"自动驾驶汽车"。它们各自为王，拥有专属的模型和算法。但小米的 MiMo-Embodied 模型，正试图打破这堵墙，它提出了一个大胆的问题：为什么不能用一个大脑，同时教会机器人端茶倒水，并让汽车在路口左转？
一、核心洞察：为何机器人应该学习"开车"？
长期以来，具身智能和自动驾驶被视为两个独立的赛道。一个专注于室内的、相对静态环境下的"交互"，比如机器人如何理解"把桌上的红苹果递给我"；另一个则专注于户外的、高度动态环境下的"导航"，比如汽车如何判断"在下一个路口安全左转"。
然而，小米的研究团队发现了一个被忽视的共通之处：无论是抓取杯子还是驾驶汽车，其底层都依赖于一组高度相似的核心智能。
**（1）空间理解：**机器人需要知道杯子在桌子的哪个位置，汽车需要知道行人在马路的哪条车道上。
**（2）状态预测：**机器人需要预测拿起杯子后水会不会洒，汽车需要预测旁边的车辆是否会突然变道。
**（3）任务规划：**机器人需要规划"伸手-抓握-抬起-移动"的动作序列，汽车需要规划"减速-打灯-观察-转向"的驾驶序列。
**（4）因果推理：**机器人需要理解"如果我碰倒了杯子，水会流出来"，汽车需要理解"如果我闯了红灯，可能会发生碰撞"。
这些能力本质上是通用的"物理世界交互逻辑"。区别仅仅在于，机器人面对的是"厘米级"的精细操作，而汽车面对的是"米级"的动态决策。
基于这一洞察，MiMo-Embodied 的核心理念应运而生：与其训练两个"偏科"的专家模型，不如构建一个统一的"通才"模型，让它从室内和室外两种场景的数据中，共同学习和提炼出这套通用的物理世界交互法则。这便是 MiMo-Embodied 试图实现的"1+1>2"的野心。
二、创新核心：一套为通用智能设计的"四步教学法"
MiMo-Embodied 的模型架构本身并不算石破天惊，它采用了视觉语言模型（VLM）领域相对成熟的"视觉编码器 + 投影器 + 大语言模型"的结构。其真正的创新之处，不在于"骨架"，而在于"灵魂"------一套精心设计的、避免"知识冲突"的四阶段渐进式训练策略。
直接将室内机器人数据和室外驾驶数据混在一起进行"大锅烩"式的训练，很容易导致"任务干扰"------模型在学习驾驶时，可能会忘记如何精细地抓取物体。为了解决这个问题，研究团队设计了一套如同人类教育体系般的"课程"。
（1）第一阶段：通用与具身知识学习
在这个初始阶段，模型只学习通用的视觉语言知识和具身智能（机器人）数据。这就像让一个孩子先在家庭环境中，学习认识各种物体（桌子、椅子、杯子），理解它们的功能（杯子可以用来喝水），并掌握基本的空间关系（杯子在桌子上）。通过这个阶段，模型建立了对物理世界最基础的认知，包括物体可供性（Affordance）、空间推理和简单的任务规划能力。
（2）第二阶段：自动驾驶知识学习
在模型已经具备了基础的物理世界认知后，再向其"注入"自动驾驶的专用数据。这就像一个已经懂得了基本空间和物体概念的少年，开始进入驾校学习。模型开始接触复杂的动态交通场景、多视角的视频信息，学习理解道路规则、预测行人和车辆的意图。第一阶段建立的静态空间理解能力，为模型快速掌握动态场景分析提供了坚实的基础。
（3）第三-阶段：思维链（CoT）推理微调
学会了"做什么"之后，更要学会"为什么这么做"。在这个阶段，模型被专门训练去学习"思维链"（Chain of Thought）。这意味着，模型在做出决策时，必须像写论述题一样，一步步地把自己的推理过程写出来，例如："观察到前方有行人→判断行人可能会过马路→因此我需要减速让行"。这极大地增强了模型决策的逻辑性、透明度和可解释性，尤其对于自动驾驶这类安全攸关的场景至关重要。
（4）第四阶段：强化学习（RL）微调
这是最后的"精加工"环节。研究团队利用强化学习算法，针对模型在前几个阶段暴露出的"短板"进行专项优化。比如，如果模型在"精确定位物体坐标"这类任务上表现不佳，就设计一个基于 IoU（交并比）分数的奖励信号，做得越准，奖励越高。如果模型在"多选题"上容易出错，就给予答对的选项正向奖励。这种"哪里不会补哪里"的精细打磨，显著提升了模型在各种任务上的最终输出精度和可靠性。
这套"四步教学法"，是 MiMo-Embodied 成功的关键。它将两种看似无关的能力，通过一个循序渐进的课程体系有机地结合起来，最终培养出了一个既懂室内交互、又懂户外驾驶的"跨域通才"。
三、成果如何？29 项测试领先的"六边形战士"
纸上谈兵终究要靠实践检验。小米团队构建了一个极其全面的跨领域评测体系，包含了 17 项具身智能基准和 12 项自动驾驶基准。结果显示，MiMo-Embodied 在这全部 29 项测试中，均取得了全面领先的性能，甚至超过了许多为单一领域专门设计的模型以及像 GPT-4o 这样的通用闭源大模型。
**在具身智能方面：**它能准确地从一堆相似的物体中找到指令描述的目标；能精确识别出杯子的把手等可操作部位；在多步骤的任务规划和复杂的空间关系理解上，展现出强大的推理能力。
**在自动驾驶方面：**它能清晰地理解全景交通场景；能准确定位道路上的关键物体（如救护车）；能准确预测其他车辆的行驶意图；并且能生成非常贴近人类驾驶逻辑的安全轨迹，尤其在变道、避让行人等复杂场景中表现突出。
更重要的是，消融实验证明了这套训练方法的科学性。如果只用单一领域数据训练，模型无法实现跨领域泛化；如果直接混合所有数据训练，则会出现任务干扰，性能反而下降。只有采用了这套四阶段的渐进式策略，两大领域的能力才能实现"正向迁移"和"相互增强"。
四、MiMo-Embodied 的深远意义：打通智能体的"任督二脉"
MiMo-Embodied 的价值，远不止于在多个榜单上取得第一。
**（1）验证了通用物理智能的可行性：**它首次在工程上系统性地证明，机器人和自动驾驶的智能是可以统一的。这意味着，未来我们可能不再需要为扫地机器人、工业机械臂和自动驾驶汽车分别开发独立的"大脑"，一个统一的、能够理解通用物理规律的基础模型，将成为所有"智能体"的基石。
**（2）提供了一套可复制的范式：**论文提出的四阶段训练路线，为行业构建"通用具身智能体"提供了一条清晰可行的技术路径。它告诉我们，通用智能的构建，可能不是一蹴而就的"涌现"，而是一个可以被精心设计的、逐层递进的"教育"过程。
**（3）开源的巨大推动力：**小米将模型、代码和技术报告完全开源，这无疑是为整个具身智能和自动驾驶社区提供了一把强大的"钥匙"。中小企业和学术机构可以在此基础上，快速开发出能够适应多场景的智能体，极大地加速整个行业的创新进程。
结论：迈向"万物智能"的第一步
MiMo-Embodied 的发布，是具身智能领域的一次重要里程碑。它像一位探路者，成功地在机器人（室内）和自动驾驶（户外）这两个看似独立的智能世界之间，架起了一座坚实的桥梁。
它告诉我们，"智能体"的边界正在被打破。未来的电动车会越来越像一个"带轮子的机器人"，而家用机器人则会越来越像一个"有四肢的智能体"。它们的核心，都将是一个能够理解和预测物理世界、并做出合理规划的统一大脑。
当然，MiMo-Embodied 仍然面临挑战。目前其性能主要在学术基准和仿真环境中得到验证，在真实物理世界中的鲁棒性和长期稳定性仍需时间的考验。但这无疑是迈向"通用物理智能"------那个我们梦想中AI能真正融入并服务于我们物理世界的未来------所迈出的坚实而关键的一步。
项目地址：https://github.com/XiaomiMiMo/MiMo-Embodied
论文链接：https://arxiv.org/abs/2511.16518
看到这里了还不给博主点一个：
⛳️ 点赞☀️收藏 ⭐️ 关注！
💛 💙 💜 ❤️ 💚💓 💗 💕 💞 💘 💖
再次感谢大家的支持！
你们的点赞就是博主更新最大的动力！