小米于 7 月 15 日发布了其名为 Xiaomi-Robotics-U0 的新模型。该模型拥有 380 亿参数，是一个多模态自回归具身生成基础模型，被誉为具身领域首个能够处理四类任务的统一生成模型，有效整合了机器人图像和视频的生成与编辑功能。

Xiaomi-Robotics-U0 的核心能力包括：

• 具身场景生成：能够根据文本指令，为特定机器人生成多视角的初始场景，支持从桌面、厨房到仓库乃至更复杂的开放世界环境的描述生成。
• 具身迁移：可以将现有机器人轨迹应用于新环境，例如调整光照、背景、桌面材质、目标物体或工作区风格，同时保持机械臂姿态和场景布局不变。
• 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，并能实现零样本泛化到不同场景。
• 通用文生图与图像编辑：保留了通用的图像生成和编辑能力，将互联网视觉知识应用于具身智能任务。

小米表示，该模型可以在不重新采集数据的情况下，增强现有数据，例如更换物体、光照、背景或添加干扰，同时保持几何一致性。它还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 FlashAR+ 推理加速方案，其生成效率相比传统自回归范式提升了约 83 倍，显著加快了工程落地速度。这为规模化生成用于模型增强的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 凭借其综合表现荣获第一名，在 126 个参评模型中脱颖而出。实际机器人测试显示，在使用 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（Out of Distribution）场景下，任务完成率平均提升了超过 26%。

相关代码和模型权重已全部开源，用户可通过以下链接获取：

• 项目主页：https://robotics.xiaomi.com/xiaomi-robotics-u0.html
• 代码仓库：https://github.com/XiaomiRobotics/Xiaomi-Robotics-U0
• 模型权重：https://huggingface.co/collections/XiaomiRobotics/xiaomi-robotics-u0
• 魔搭链接：https://modelscope.cn/collections/XiaomiRobotics/

这是我们系列文章的第一篇，聚焦于背景故事的撰写与发展。后续还会有更多精彩内容，敬请期待！别忘了在评论区告诉我，你还想看哪些主题的文章！