小米機器人事業部於 7 月 15 日正式對外發布了 Xiaomi-Robotics-U0，這是一款擁有 380 億參數的多模態自回歸具身生成基礎模型，同時實現了代碼及模型權重的全量開源。該模型是全球具身領域首款可統一覆蓋四大核心生成任務的基礎模型，徹底解決了行業長期存在的模型割裂、仿真數據幾何不一致、生成效率低下三大痛點，通過可控的大規模合成數據生成，打通機器人圖像和視頻數據生成與編輯的全鏈路，標誌著具身智能正式邁入規模化數據生成的新階段。
項目的完整資源已同步上線官方網站、GitHub、HuggingFace 及魔搭社區，面向全球具身智能開發者開放使用。
小米推出的多模態自回歸模型解決了行業痛點
長久以來，具身生成領域存在明顯的技術割裂問題：場景生成、軌跡遷移、交互視頻和圖像編輯需分別搭建獨立模型，多框架運維成本高，數據無法互通，難以支撐大規模機器人訓練數據的擴增。Xiaomi-Robotics-U0 採用了統一的多模態自回歸架構，實現了四大任務的一體化處理，無需多模型切換。該模型的具身場景生成基於文本描述生成適配指定機器人本體的多視角仿真場景，涵蓋廚房、倉庫、海底、賽博城市等常規、極端和長尾環境，當前原生兼容方舟無限、智元 G1/G2、松靈 PiPER 四類機器人硬件。
具身遷移方面，該模型在保留機械臂位姿和原始場景軌跡佈局的前提下，自由更換光照、工作台、目標物體及背景風格，實現真機數據的低成本增強。此外，機器人交互視頻生成基於初始畫面和操作指令輸出長時序的交互視頻，兼顧動作連貫性和物理動力學一致性，支持虛擬相機的仿真推演。通用文生圖及圖像編輯方面，該模型打通了互聯網視覺知識與機器人任務，支持任意圖像修改和多參考圖的複合編輯。
Xiaomi-Robotics-U0 在評測中表現優異
相較於通用的文生模型只追求畫面美觀，機器人仿真數據對跨視角幾何對齊、物體空間位置和機械臂姿態有嚴格的精準要求，通用模型容易出現物體錯位和空間畸變，無法用於機器人策略訓練。小米自研的五維解耦結構化控制範式能以自然語言獨立調控五大維度，修改單一要素時不會破壞全局空間的一致性，包括工作台佈局、前景操作物體、前景無關雜物、光照條件和全局背景。依託該技術，模型能穩定輸出多視角匹配的仿真畫面，遷移後的畫面完全匹配原始機器人的運動軌跡，生成的數據可直接用於下游機器人策略訓練。
在清華大學和北京大學聯合打造的 WorldArena 具身視頻評測基準中，Xiaomi-Robotics-U0（匿名代號 UNIS）斬獲總分榜首，指令遵循、交互真實度和多視角一致性三項細分指標全部第一。該模型可生成連貫抓取、折疊、裝箱等長時序的交互畫面，背景人物和物體具備自然動態邏輯，內置完整的物理和動力學常識，形成開放世界專用具身序列生成引擎。在 300 份難易分層標準化測試樣本中，Xiaomi-Robotics-U0 在深度一致性、結構保真和語義對齊三大核心指標上全面領先 GPT-Image-2.0。
閉源模型普遍存在跨視角物體偏移和機械臂姿態錯位的問題，生成結果無法匹配原始機器人軌跡；小米 U0 能完整保留空間佈局與動作信息，是業內首個可穩定產出可重用機器人擴增數據的統一生成模型。團隊針對精細耳機收納、毛巾折疊和長程物品裝箱三類典型機器人任務開展真機測試，在未知光照、陌生背景、反光和彩色雜光等 OOD（分佈外）幹擾環境下，使用 U0 生成數據擴充訓練集後，機器人策略任務的完成進度平均提升 26.3%。
面對極端視覺幹擾，機器人不會出現運行卡死，具備自主視覺校正能力，顯著提升機器人在真實複雜環境下的泛化性能。
傳統自回歸（AR）模型逐 Token 生成高分辨率圖像耗時極長，嚴重限制了工程的批量生成效率。小米推出了 FlashAR + 專屬推理加速方案，在原生 FlashAR 文生圖加速的基礎上，適配圖像編輯和具身遷移的全場景，疊加 vLLM 分頁 KV 緩存、對角並行解碼批量調度技術：1024×1024 分辨率單張圖像生成的耗時由 450.77 秒壓縮至 5.44 秒；整體生成效率較原始自回歸架構提升 82.9 倍；原生支持多參考圖的複合編輯，兼顧生成畫質與工業批量落地需求。
模型底層採用 IBQ 圖像分詞器，統一圖像和文本的多模態表徵空間，以標準 Next Token Prediction 範式完成聯合訓練，兼顧通用視覺知識與機器人具身動力學約束。
