Xiaomiは、統一された身体合成のための380億パラメータのマルチモーダル自己回帰モデル「Xiaomi-Robotics-U0」を発表しました。 このモデルは、具身生成を基本的な画像および映像生成の延長として捉え、テキストから画像への変換、画像編集、具身シーン生成、身体化移動、具身化ビデオ生成を共同で最適化...
Xiaomiは、統一された身体合成のための380億パラメータのマルチモーダル自己回帰モデル「Xiaomi-Robotics-U0」を発表しました。
このモデルは、具身生成を基本的な画像および映像生成の延長として捉え、テキストから画像への変換、画像編集、具身シーン生成、身体化移動、具身化ビデオ生成を共同で最適化します。 これは、さまざまなロボット形態で高品質なマルチビューシーン生成をサポートする初のモデルであり、構造化され制御可能な身体移行を導入しました。 このモデルは単一段階および逐次生成タスクでSOTAを達成し、具現化シーン生成と転送の人間評価ではGPT-Image-2.0を上回り、World Arenaの具現化映像生成で1位にランクされ、pi_0.5の実世界の操作タスクにおける流通外成功率を36.9%から63.2%に引き上げました。 コードとチェックポイントはオープンソースです。
arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website.
Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs ：https://info.arxiv.org/labs/index.html.
材料摘要称，小米推出380亿参数多模态自回归模型Xiaomi-Robotics-U0，将图像、视频与多类具身生成任务纳入联合优化，并已开源代码与检查点。
该模型把具身生成视为基础图像和视频生成的延伸，覆盖文生图、图像编辑、具身场景生成、具身迁移与具身视频生成。正文摘录仅介绍arXivLabs，未提供论文技术细节。
Aioga判断，其主要编辑价值在于尝试以单一自回归模型统一多种具身合成任务，并强调跨机器人形态和结构化控制；但现有材料中的性能结论主要来自摘要，仍需论文实验细节支撑。
若摘要所述结果可复现，该方法可能降低不同机器人形态间场景与视频数据生成的割裂程度，并为真实世界操控的分布外泛化提供辅助；目前不能据此推断其已具备通用机器人控制能力。 值得关注论文对训练数据、评测协议、基线设置、人类评估流程及真实世界任务的披露，并核验World Arena排名、与GPT-Image-2.0的比较，以及36.9%至63.2%的提升能否独立复现。
取得元が提供するタイトル、要約、出典、元記事リンクを掲載しています。記事全文は転載していません。
取得経路: 要約集約 · 元ドメイン: arxiv.org
出典: HuggingFace Daily Papers（社区热门论文）
元記事: 元記事を開く
Aioga アーカイブ: 情報ページを開く
Content record: source-page · Updated: 2026-07-13T14:57:58.000Z
统一接入主流 AI 模型 API，为开发、测试与生产环境提供稳定调用入口。
立即访问 api.w173.com
Scan to open this articleAioga は世界の AI 動向を集約し、確認と引用のため出典情報を保持します。