Xiaomi-Robotics-0 是一个 4.7B 参数的视觉-语言-动作（VLA）模型，面向高性能机器人推理与实时执行。模型目标是在复杂机器人任务中生成可泛化的动作，并强调对真实机器人 rollout 过程中的推理延迟进行优化。

该模型预训练于大规模跨本体机器人轨迹和视觉-语言数据，突出跨本体轨迹带来的泛化能力，可用于处理复杂、未见过的任务。其部署侧采用异步执行以降低真实机器人运行时延迟，并兼容 Hugging Face transformers 生态，面向消费级 GPU 做了优化。

使用时可通过 transformers 加载和运行；由于模型使用自定义代码，需要设置 trust_remote_code=True。项目提供论文、项目主页和代码仓库链接，并请求使用者在受益时引用相关论文。