小米开源 Xiaomi-Robotics-U0：380 亿参数多模态具身生成模型

小米发布并开源 Xiaomi-Robotics-U0，一个 380 亿参数的多模态自回归具身生成基础模型，是具身领域首个"通吃"场景生成、具身迁移、机器人交互视频生成和通用文生图/图像编辑四类任务的统一模型。

该模型在 WorldArena 评测基准上以匿名代号 UNIS 取得全球 126 个模型中的总分第一名，并通过 FlashAR+ 推理加速方案将生成效率提升近 83 倍。

IT之家：https://www.ithome.com/ 7 月 15 日消息，小米今日发布 Xiaomi-Robotics-U0—— 一个拥有 380 亿参数 的多模态自回归具身生成基础模型，是 具身领域首个“通吃”四类任务的统一生成模型 ，打通了机器人图片和视频数据的生成与编辑链路。

具身场景生成（Scene Generation）—— 模型可以根据文本描述，为指定机器人本体生成多视角初始场景。无论是桌面、厨房、仓库，还是更复杂的开放世界环境，都可以通过语言描述生成对应的机器人观测。

具身迁移（Embodied Transfer）—— 模型可以将已有机器人轨迹迁移到新的环境中，例如改变光照、背景、桌面材质、目标物体或工作区风格，同时保留原始轨迹中的机械臂位姿和场景布局。

机器人交互视频生成（Video Generation）—— 基于初始观测和操作指令生成后续视频，能够兼顾动作连贯性和物理一致性，且可零样本泛化到任意场景。

通用文生图和图像编辑（Text2Image & Anything2Image）—— 模型同时保留通用图像生成与编辑能力，使互联网视觉知识能够迁移到具身智能任务中。

官方表示，它既能在保持几何一致性的前提下，对已有数据做增强 —— 换物体、换光照、换背景、加干扰，无需重新采集；也能从零生成全新场景，覆盖危险、极端、长尾等真机难以触达的环境。此外，通过 FlashAR+ 推理加速方案，它的生成效率较原始自回归范式提升近 83 倍，大幅加快工程落地速度。规模化生成具身训练数据用于增益模型效果，从此有了可控且高效的解决方案。

在 WorldArena 评测基准上， Xiaomi-Robotics-U0 取得总分第一名 （全球 126 个模型参评）。此外，真机评测中，在未知光照、陌生背景等 Out of Distribution 场景下，使用 Xiaomi-Robotics-U0 扩增数据训练的策略任务完成进度平均提升超 26%。

项目主页： https://robotics.xiaomi.com/xiaomi-robotics-u0.html ：https://robotics.xiaomi.com/xiaomi-robotics-u0.html

代码仓库： https://github.com/XiaomiRobotics/Xiaomi-Robotics-U0 ：https://github.com/XiaomiRobotics/Xiaomi-Robotics-U0

模型权重： https://huggingface.co/collections/XiaomiRobotics/xiaomi-robotics-u0 ：https://huggingface.co/collections/XiaomiRobotics/xiaomi-robotics-u0

魔搭链接： https://modelscope.cn/collections/XiaomiRobotics/ ：https://modelscope.cn/collections/XiaomiRobotics/