小米开源 Xiaomi-Robotics-U0：具身领域首个“通吃”四类任务的统一生成模型

小米于 7 月 15 日公布了其名为 Xiaomi-Robotics-U0 的新模型。该模型拥有 380 亿参数，是一款多模态自回归具身生成基础模型，被誉为具身智能领域的首个能够统一处理四类任务的模型，并且打通了机器人图像和视频数据的生成与编辑流程。

Xiaomi-Robotics-U0 的核心能力体现在以下四个方面：

• 具身场景生成：该模型能够根据文本描述，为指定的机器人本体生成多视角的初始场景。无论是桌面、厨房、仓库还是更复杂的开放世界环境，都可以通过语言指令来创建相应的机器人观测视角。
• 具身迁移：模型可以将已有的机器人轨迹迁移至新的环境中。例如，它可以改变光照、背景、桌面材质、目标物体或工作区风格，同时保持原始轨迹中的机械臂姿态和场景布局。
• 机器人交互视频生成：基于初始观测和操作指令，模型可以生成后续的视频。其生成内容兼顾了动作的连贯性和物理世界的真实性，并且能够实现零样本泛化到各种场景。
• 通用文生图和图像编辑：该模型还保留了通用的图像生成和编辑功能，使得互联网上的视觉知识可以被迁移并应用于具身智能的任务中。

小米方面表示，该模型可以在保持几何一致性的前提下，对已有数据进行增强，例如更换物体、改变光照、调整背景或增加干扰，而无需重新采集数据。此外，它还可以从零开始生成全新的场景，覆盖真实机器人难以触及的危险、极端或长尾环境。通过采用 FlashAR+ 推理加速方案，其生成效率相比原始的自回归范式提升了近 83 倍，显著加快了工程落地进程。这为规模化生成具身训练数据以提升模型效果提供了可控且高效的解决方案。

在 WorldArena 的评测基准中，Xiaomi-Robotics-U0 获得了总分第一的成绩，在参评的全球 126 个模型中脱颖而出。在实际机器人评测中，使用 Xiaomi-Robotics-U0 扩充数据训练的策略，在未知光照和陌生背景等“非分布内”场景下的任务完成率平均提升了超过 26%。

目前，相关的代码和模型权重已全部开源。