Xiaomi hat mit dem Modell Xiaomi-Robotics-1 einen signifikanten Meilenstein in der Skalierung von Robotik-Policy-Modellen erreicht. Das Forschungsprojekt adressiert das zentrale Datenengpass-Problem der Robotik, das die Leistungsfähigkeit großer Modelle bisher limitierte. XR-1 basiert auf einer zweistufigen Trainingsarchitektur, die der Entwicklung großer Sprachmodelle nachempfunden ist. Im Vorabtraining kommen über 100.000 Stunden verkörperungsunabhängiger Trajektorien zum Einsatz. Diese Datensätze umfassen mehr als 1.700 Szenarien aus privaten Haushalten, gewerblichen und industriellen Umgebungen sowie Außenbereichen. Ein skalierbares Auto-Labeling-System segmentiert die Aufnahmen und annotiert sie automatisch mit Sprachbeschreibungen zu Zustandsübergängen. Die nachfolgende Feinabstimmung richtet das Modell auf reale Robotik-Systeme aus und optimiert die Instruktionserfüllung. Grundlage bilden rund 7.200 Stunden hausintern generierter Realroboter-Daten aus privaten Wohnungen, ergänzend gefilterte Open-Source-Daten und manuell annotierte Trajektorien. Dieser Ansatz transferiert generalisierte Repräsentationen auf physische Embodiments. Die operative Effizienz von XR-1 zeigt sich bei der Anpassung an neue Aufgaben. Mit unter zehn Stunden Trainingsdaten pro Aufgabe erreicht das Modell durchschnittlich eine Erfolgsrate von 75 Prozent bei komplexen Handlungen wie dem Zusammenlegen von Wäsche oder dem Einräumen von Küchengeräten. Dies verdoppelt die Effizienz des bisherigen Benchmarks π0.5. Bei einer Steigerung des Trainingsbudgets auf unter 40 Stunden pro Aufgabe klettert die Erfolgsquote auf 85 Prozent. In vier führenden Simulationsbenchmarks belegt XR-1 durchgängig die Spitzenposition. Die relativen Leistungssteigerungen gegenüber dem zweitplatzierten Modell reichen von 2,6 bis 58,3 Prozent. Die Daten belegen, dass empirische Skalierungsgesetze, die Sprache- und Bildmodelle antreiben, nun erfolgreich auf die Robotik angewendet werden können. Die im Juli 2026 veröffentlichte Studie etabliert Xiaomi als führenden Akteur in der Robotik-Foundation-Modell-Forschung. Die Kombination aus massiven Vorabtrainingsdaten und gezielter Realroboter-Feinabstimmung schafft eine skalierbare Basis für universelle Robotiksysteme. Dies dürfte die Entwicklungszyklen für autonome Systeme erheblich verkürzen und die kommerzielle Marktreife autonomer Roboter in diversen Branchen beschleunigen.