小米打通智驾和具身大模型，然后开源了

近日，小米团队公开了 MiMo-Embodied，一款号称全球首个将自动驾驶与具身智能打通的基座模型。该项目围绕视觉与动作一体化能力展开，目标是让模型不仅“看懂”场景，还能在物理世界中有效执行复杂任务。

MiMo-Embodied 的总体架构与目标

MiMo-Embodied 基于 MiMo‑VL 结构设计，整合了自动驾驶与具身任务相关的大规模高质量数据集。通过统一编码视觉-语言-动作信息，模型能够在室内机器人操作与户外驾驶场景间迁移学习，实现跨领域的通用感知与控制能力。

训练策略：思维链与强化学习的渐进式融合

团队采用链式思考（CoT）结合强化学习（RL）的渐进式训练策略，先用带有推理链条的监督信号提升模型的分步推理能力，再用强化学习微调模型在真实或仿真环境中的长期决策表现，这种策略显著提升了模型在动态环境中的鲁棒性与可控性。

跨场景数据与评测指标

项目整合了多源数据，包括室内具身交互数据、道路感知与决策数据集，以及用于评估闭环执行效果的仿真与真实场景测评集；通过统一任务设计与指标体系，展示了在多个具身与驾驶任务上接近或达到 SOTA 的表现。

工程化与开源影响

小米将 MiMo-Embodied 开源，使研究者和工程团队能够在统一基座上进行定制化训练与评估，这有助于加速具身智能与自动驾驶领域的协同发展，并推动更多跨模态、跨物理交互的落地应用与生态建设。此开源举措可能成为推动行业标准化与开源协作的重要节点。

如有侵权，请联系删除。