• 九游动态
• 用户反馈

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 日公布了其最新的具身智能模型 Xiaomi-Robotics-U0。该模型拥有 380 亿参数，被定位为具身领域首个能够统一处理四类任务的基础模型，实现了机器人图像和视频数据的生成与编辑功能。

Xiaomi-Robotics-U0 支持以下四类任务：

• 具身场景生成：允许用户通过文本描述，为指定的机器人生成多视角的初始场景，支持从桌面、厨房、仓库到更复杂的开放世界环境。
• 具身迁移：能够将现有机器人的运动轨迹迁移至新的环境，即使改变光照、背景、桌面材质、目标物体或工作区风格，也能保持原有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，生成连贯且物理一致的后续视频，并具备零样本泛化能力，可应用于任意场景。
• 通用文生图与图像编辑：保留了通用的图像生成和编辑功能，将互联网视觉知识融入具身智能任务。

小米方面指出，该模型可以在保持几何一致性的前提下，对现有数据进行增强，例如更换物体、光照、背景或添加干扰，而无需重新采集数据。同时，它也能从零开始生成全新场景，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，其生成效率相比传统的自回归范式提升了约 83 倍，显著加速了工程落地进程，为规模化生成具身训练数据提供了可控且高效的解决方案。

在 WorldArena 评测基准中，Xiaomi-Robotics-U0 在全球 126 个参评模型中脱颖而出，获得了总分第一名的成绩。在实际的真机测试中，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分布外（Out of Distribution）场景下的任务完成率平均提升了超过 26%。

目前，Xiaomi-Robotics-U0 的相关代码和模型权重已全部开源，可访问项目主页、GitHub 代码仓库、Hugging Face 模型权重页面以及魔搭链接获取。