Xiaomi Robotics brengt VLA‑basismodel Xiaomi‑Robotics‑1 uit onder Apache 2.0

Op 3 augustus 2026 publiceerde het team van Xiaomi Robotics op GitHub de officiële repository "Xiaomi‑Robotics‑1", met de code en de checkpoints van het vision‑language‑action‑basismodel (VLA) voor robotmanipulatie; de publieke aankondiging van de vrijgave volgde op 5 augustus 2026 (bron: README van de repository; TechNode). De licentie die in de repository staat is Apache 2.0 (bron: GitHub), een permissieve licentie die ook commercieel gebruik toestaat.

De vrijgave omvat vier checkpoints op Hugging Face: het basismodel Xiaomi‑Robotics‑1‑5B en drie versies die zijn bijgesteld voor de benchmarks RoboCasa, RoboCasa365 en VLABench (bron: officiële README).

De voortraining vond plaats op meer dan 100.000 uur echte trajecten, verzameld met UMI‑apparaten en verwerkt door een systeem voor automatisch labelen; de natraining maakte gebruik van ruim 10.000 uur cross‑embodiment‑data (bron: arXiv 2607.15330 en README). Het technische rapport werd op 16 juli 2026 op arXiv gedeponeerd (v1) en op 22 juli 2026 bijgewerkt. Het model was dus al in juli gepresenteerd: het nieuwe van begin augustus is het openstellen van code en checkpoints, niet het model zelf (bron: arXiv).

De door het team gemelde resultaten laten een slagingspercentage van 57,4 % zien op RoboCasa365, tegenover een eerdere state of the art die de auteurs zelf op 46,6 % zetten, en een gemiddelde score van 20,07 op RoboDojo tegen 13,07 eerder (bron: arXiv 2607.15330). De README noemt verder 74,5 % op RoboCasa en 59,1 % op VLABench, terwijl Xiaomi stelt in totaal 75 % te scoren op echte taken voor mobiele manipulatie, met gemiddeld minder dan 10 uur demonstraties per taak (bron: officiële README; TechNode). Die cijfers zijn zelfgerapporteerd: er zijn op dit moment geen onafhankelijke controles of reproducties door derden, en de dataset van 100.000 uur trajecten is niet vrijgegeven. Het cijfer slaat op taken die het bedrijf zelf koos — telefoons inpakken, printers bijvullen, de wasmachine vullen, dozen vullen — op eigen platformen, niet op een standaard testomgeving; welke fysieke robots buiten het lab worden ondersteund, is niet openbaar gemaakt.

Strategisch verlaagt het openstellen van code en gewichten onder Apache 2.0 de drempel voor onderzoekers en ontwikkelaars, omdat derden beide kunnen hergebruiken. Het knelpunt blijft echter de beschikbaarheid van echte manipulatiedata; zonder de dataset zijn de gemelde resultaten lastig te verifiëren of te verbeteren. Het model is dus een belangrijke onderzoeksbron, maar de werkelijke impact hangt af van de mate waarin de community het trainingswerk kan herhalen en uitbreiden.