PythonAI算法
小米 MiLoco 大模型智能家居解决方案部署指南
介绍小米首个大模型加智能家居解决方案 Miloco 的部署流程。Miloco 基于自研端侧视觉语言大模型 MiMo-VL-Miloco-7B，支持自然语言交互控制 IoT 设备。文章涵盖系统硬件软件要求、WSL 环境配置、Docker 安装、CUDA 驱动验证及一键安装脚本执行步骤，并简述了前端访问与服务使用注意事项。
介绍小米首个大模型加智能家居解决方案 Miloco 的部署流程。Miloco 基于自研端侧视觉语言大模型 MiMo-VL-Miloco-7B，支持自然语言交互控制 IoT 设备。文章涵盖系统硬件软件要求、WSL 环境配置、Docker 安装、CUDA 驱动验证及一键安装脚本执行步骤，并简述了前端访问与服务使用注意事项。
小米推出了首个'大模型 + 智能家居'解决方案 Xiaomi Miloco，全称为 Xiaomi Local Copilot（小米本地协同智能助手）。
Miloco 以米家摄像头为视觉信息源，以自研大语言模型 MiMo-VL-Miloco-7B 为核心，连接家中所有物联网（IoT）设备，框架面向所有人开源。MiMo-VL-Miloco-7B 模型基于小米发布的 MiMo 模型调优而来。
从小米公布的 Miloco 页面来看，页面主视觉是一个类似于 ChatGPT 的聊天框，聊天框的左侧具有智能家居设备的导航栏，包括 AI 中心、模型管理、MCP 服务、设备管理等选项；相机设备独立成一栏，陈列了一些智能摄像头记录的视频。
Miloco 还通过标准化的 MCP 协议封装，实现米家生态与全球最大开源智能家居社区 Home Assistant 生态的打通，同时开放支持第三方 IoT 平台接入。
从项目公布的软硬件要求来看，部署 Miloco 硬件要求不高，仅需要硬件搭载 x64 架构，图形处理器在英伟达 30 系列及以上，存储要在 16GB 及以上即可。
据悉，Miloco 的全屋智能差异化体验，依托于 Xiaomi MiMo-VL-Miloco-7B 端侧视觉语言大模型与'硬件 - 能力 - 应用 - 用户'四层完整架构的支撑。
（架构图略）
CPU: x64 架构
显卡：NVIDIA 30 系及以上显卡，显存 8GB 及以上（最低），建议 12GB 及以上
存储：建议 20GB 及以上可用空间（用于本地模型存储）
操作系统：
- Linux: x64 架构，建议 Ubuntu 22.04 及以上 LTS 版本
- Windows: x64 架构，建议 Windows 10 及以上版本，要求支持 WSL2
- macOS: 暂不支持
Docker: 20.10 及以上版本，需要支持 docker compose
NVIDIA 驱动：支持 CUDA 的 NVIDIA 驱动
NVIDIA Container Toolkit: 用于 Docker GPU 支持
注意: 请确保您的系统满足上述硬件和软件要求。Windows 系统需要进入 WSL 环境。
系统要求：Windows11 22H2 及以上版本 + WSL2
在系统中搜索然后打开控制面板，点击程序 > 启动或关闭 Windows 功能，然后勾选 Hyper-V 和适用于 Linux 的 Windows 子系统，点击确定，等待系统安装更新后重启。
安装 WSL
在系统中搜索终端然后打开，输入 wsl --install，等待 WSL 安装完成；如果已经安装，可以使用 wsl --update 更新到最新版本。
下载 WSL2 Linux 发行版
打开 Windows 自带的应用商店，搜索 Ubuntu，然后下载 Ubuntu24.04.1 LTS。
在 Windows 终端可使用 wsl --list --online 查看在线的发行版，然后输入 wsl --install -d Ubuntu-24.04 安装。
使用 WSL2
在应用商店下载完成后，可以点击打开按钮，然后按照提示输入用户名和密码，完成初始化。
在终端输入 wsl -d Ubuntu-24.04，然后按照提示输入用户名和密码，完成初始化。
# 启动默认发行版
wsl
# 退出当前发行版
exit # 或 logout
# 列出所有发行版（含状态）
wsl --list --verbose
# 查看详细信息
wsl --status
# 设置默认启动发行版
wsl --set-default Ubuntu-22.04
# 卸载指定发行版（数据丢失）
wsl --unregister Ubuntu-20.04
# 查看 WSL2 的 IP 地址
ip addr show eth0 | grep 'inet\b' | awk '{print $2}' | cut -d/ -f1
# 关闭所有 WSL 实例
wsl --shutdown
# 运行特定发行版命令
wsl -d Ubuntu-22.04 -e bash -c "echo Hello"
# 重启版本
wsl --terminate <DistributionName>
wsl --distribution <DistributionName>
网络模式配置
在系统中搜索 WSL Setting，点击网络，然后将网络模式修改为 Mirrored，修改完成后，需要使用 wsl --shutdown 停止子系统，然后重新运行 wsl -d Ubuntu-24.04 进入子系统，输入 ip a 查看子系统网络配置是否和宿主机器一致。
设置为 Mirrored 模式后，需要配置 Hyper-V 防火墙，允许入站连接。
在 PowerShell 窗口中以管理员权限运行以下命令，以配置 Hyper-V 防火墙设置，使其允许入站连接：
Set-NetFirewallHyperVVMSetting -Name '{40E0AC32-46A5-438A-A0B2-2B479E8F2E90}' -DefaultInboundAction Allow
# 使用下述命令获取 WSL 防火墙策略
Get-NetFirewallHyperVVMSetting -PolicyStore ActiveStore -Name '{40E0AC32-46A5-438A-A0B2-2B479E8F2E90}'
# DefaultInboundAction 和 DefaultOutboundAction 为 Allow 即可
使用官方脚本安装（WSL2 中官方推荐 Docker Desktop 安装，可以忽略提示，采用下述命令直接安装）
curl -fsSL https://get.docker.com | bash -s docker
# 中国国内用户可以指定 Aliyun 源安装
curl -fsSL https://get.docker.com | bash -s docker --mirror Aliyun
可将当前用户加入 docker 组，从而可以直接使用 docker 命令：
sudo usermod -aG docker $USER
添加完成后，需要重新登录，以使用户组更改生效。使用命令 docker --version 验证是否安装成功。
# 25-11-1 更新 # 安装 CUDA Toolkit（推荐安装）
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt install nvidia-cuda-toolkit
# 安装 NVIDIA Driver
sudo apt-get -y install cuda-drivers
# 25-11-1 更新 # 配置下载源
sudo apt-get update && sudo apt-get install -y --no-install-recommends curl gnupg2
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
&& curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo sed -i -e '/experimental/ s/^#//g' /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
export NVIDIA_CONTAINER_TOOLKIT_VERSION=1.18.0-1
sudo apt-get install -y \
nvidia-container-toolkit=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
nvidia-container-toolkit-base=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
libnvidia-container-tools=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
libnvidia-container1=${NVIDIA_CONTAINER_TOOLKIT_VERSION}
使用 hello-world 镜像验证 Docker 是否安装成功，如果显示 Hello from Docker! 则表示安装成功。
docker run hello-world
# 验证完成后，可移除镜像
docker rmi hello-world
使用命令 nvidia-smi 验证 NVIDIA Driver 是否安装成功，如果显示显卡驱动和 CUDA 工具包信息，则表示安装成功。
使用命令 nvcc --version 验证 NVIDIA CUDA Toolkit 是否安装成功，如果安装成功，会显示版本信息。
使用下述命令验证 NVIDIA Container Toolkit 是否安装成功，如果显示显卡驱动和 CUDA 工具包信息，则表示安装成功。
docker run --rm --gpus all nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi
# 验证完成后，可移除镜像
docker rmi nvidia/cuda:12.4.0-base-ubuntu22.04
下载源码后，执行一键安装脚本
git clone https://github.com/XiaoMi/xiaomi-miloco.git
bash scripts/install.sh
Miloco 安装运行界面：
选择'1. Quick Install'。
选择下载路径：国内推荐 Xiaomi FDS。
安装完成提示。
启动服务。
运行服务后的系统运行时状态。
通过 https://<your ip>:8000 访问服务，如果是本机访问，IP 为 127.0.0.1。
注意：
https://<wsl ip>:8000Miloco 前端管理界面：
设置后端使用的模型。
设置规则：
主界面里可以自动生成，也可以在规则管理里手动添加。这里使用的是手动添加。
注意：
添加规则前，需要在米家 APP 里测试相关控制设备的有效性。
添加规则时，一定要在设置控制选项点击'测试'按钮，生成有效的米家控制指令，有时 AI 模型调用生成指令有问题，多测试几遍。
如果设置的规则执行有问题，可以在日志管理查看相关执行日志。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online