小米开源MiMo-Embodied

小米实现智驾与具身大模型融合，并对外开源。
小米正式开源全球首个融合自动驾驶与具身智能的统一基座模型——MiMo-Embodied。该模型由小米汽车陈龙团队研发，旨在突破自动驾驶与机器人具身操作之间的知识迁移壁垒，实现两大技术领域的深度协同与能力复用。不同于传统单一任务模型，MiMo-Embodied构建了跨场景、跨模态的通用感知与决策架构，可同时支撑车辆在复杂道路环境中的智能驾驶，以及服务机器人在真实物理空间中的交互与操作。这一开源成果标志着具身智能与智能驾驶正加速走向技术融合，为行业提供兼具泛化性与实用性的新型基础模型范式，也展现了中国企业在前沿AI基础模型领域的创新实力与开放态度。

MiMo-Embodied依托MiMo-VL多模态基础架构，融合通用视觉理解、具身交互任务与真实驾驶场景，构建了覆盖广泛、标注精准的高质量训练数据集。其训练过程采用渐进式四阶段策略，有机整合思维链推理与强化学习机制，在提升模型泛化能力的同时，显著弥合了室内操作与户外自动驾驶之间的领域差异。实际评测表明，该模型在自动驾驶与具身智能两大方向共29项权威基准测试中全面领先，不仅超越各类专用模型，也大幅优于当前主流通用多模态模型，整体性能达到跨领域最先进水平。

无论是智能驾驶中的环境感知与路径规划，还是服务机器人在室内的物体抓取与自主导航，小米均致力于实现全面覆盖与深度融合——具身智能与智能驾驶，二者兼得。当前视觉语言模型（VLM）在具身智能与自动驾驶两大方向上普遍面临结构性局限：一方面，尚无真正统一的具身型视觉语言模型（Unified Embodied VLM）。主流VLM多聚焦于单一场景——或专精室内操作任务，或仅适配户外道路驾驶，缺乏贯通室内外物理空间、融合多模态交互能力的通用架构，导致模型难以在动态真实环境中实现连贯、鲁棒的具身决策与执行。另一方面，两类任务间存在显著领域鸿沟：室内具身强调精细操控、近距离交互与非结构化环境适应；而自动驾驶则侧重长程感知、交通规则理解与高速动态响应，能力难以自然迁移。此外，业内亦缺乏一套科学、系统、可量化的跨领域评估体系，无法客观衡量模型在双场景下的综合具身表现。为突破上述瓶颈，MiMo-Embodied项目创新性地将自动驾驶与具身智能的核心任务统一建模，构建具备泛化感知、联合推理与协同控制能力的一体化视觉语言模型，推动具身智能向更广域、更真实、更自主的方向演进。

所示，MiMo-Embodied架构包含三个核心组成部分。
通过无缝融合视觉与文本模态，MiMo-Embodied显著提升了在多样化多模态推理任务及实际应用中的综合能力。为实现跨模态、跨领域的统一建模能力，研究设计了一套系统化的数据构建方法，并采用分阶段训练策略，逐步提升模型的泛化性与鲁棒性。

训练数据涵盖三大领域：通用多模态理解、具身智能（含功能预测、任务规划与空间认知），以及自动驾驶（包括环境感知、行为预测与路径规划），形成全面的多模态数据支撑体系。