Xiaomi-Robotics-0模型是小米开源的首代机器人VLA（视觉-语言-动作）大模型，搭载47亿参数，创新采用MoT混合架构——以Qwen3-VL多模态模型为“大脑”，负责解析视觉与语言指令、理解场景意图；以Diffusion Transformer（DiT）为“小脑”，专注生成高频平滑动作块。