小米開源 Xiaomi-Robotics-U0：具身領域首個“通吃”四類任務的統一生成模型

小米今日正式開源一款名為 Xiaomi-Robotics-U0 的具身智能基礎模型，這是一個擁有 380 億參數的多模態自迴歸生成模型，也是業界首個能夠同時涵蓋四類不同任務的統一生成框架。該模型突破了過去機器人數據生成與編輯各自獨立的瓶頸，將圖片、視頻的生成與編輯能力整合到單一架構中，為具身智能領域提供了一套可規模化、可控且高效的數據解決方案。Xiaomi-Robotics-U0 的核心亮點在於它具備四種關鍵能力。首先是具身場景生成（Scene Generation），模型能根據使用者輸入的文字描述，自動為指定的機器人本體生成多視角的初始場景。

無論是簡單的桌面、標準的廚房或倉庫，還是更複雜的開放世界環境，只需要透過語言描述，就能產生對應的機器人觀測資訊，大幅降低真實場景採集的成本與時間。其次是具身遷移（Embodied Transfer），這項功能允許將已有的機器人運動軌跡遷移到全新的環境中。舉例來說，使用者可以改變場景的光照條件、背景樣式、桌面材質、目標物體或工作區風格，同時完整保留原始軌跡中機械臂的位姿以及場景的整體佈局。這意味著同一組操作數據可以在不同的虛擬空間中反覆使用，無需重新進行實體佈置與採集。第三項能力是機器人交互視頻生成（Video Generation）。模型可以根據初始觀測畫面與操作指令，自動生成後續的連續視頻。

生成結果不僅要求動作連貫，還必須維持物理一致性，例如物體碰撞、重力影響等，而且具備零樣本泛化的特性，能直接套用在未曾見過的任意場景中。這對於訓練機器人處理未知環境的突發狀況極具價值。最後，Xiaomi-Robotics-U0 同時保留了通用文生圖（Text2Image）與圖像編輯（Anything2Image）的能力。這使得模型能夠承接網際網路上大量視覺知識，並將其遷移應用到具身智能任務中，例如根據文字描述修改圖片中的物體、光照或背景，從而豐富訓練數據的多樣性。

官方表示，Xiaomi-Robotics-U0 在保持幾何一致性的前提下，既能對已有的數據進行增強——例如替換物體、改變光照、更換背景、加入干擾因素——而無需重新採集；也能從零開始生成全新的場景，涵蓋危險、極端或長尾等機器人難以在真實環境中碰到的情況。這對於提升機器人在邊緣案例中的適應能力尤其重要。在效率方面，小米這次推出了 FlashAR+ 推理加速方案，使得模型的生成效率相較於原始的自迴歸範式提升了將近 83 倍。這樣的加速效果大幅降低了工程部署的時間成本，讓規模化生成具身訓練數據來增益模型效果成為現實可行的路線。

根據官方公布的評測結果，在 WorldArena 基準上，Xiaomi-Robotics-U0 以總分第一名擊敗了全球 126 個參評模型。此外，在真實機器人測試中，針對未知光照與陌生背景等分布外（Out of Distribution）場景，使用該模型擴增數據訓練的策略，其任務完成進度平均提升了超過 26%。評測榜單上使用的匿名代號為 UNIS，數據時間為 2026 年 7 月 15 日。Xiaomi-Robotics-U0 的相關代碼與模型權重目前已全量開源。

有興趣的研究人員與開發者可透過小米機器人官方項目主頁、GitHub 代碼倉庫、Hugging Face 模型權重頁面以及魔搭社區取得完整資源。這項開源動作不僅展示了小米在具身智能領域的技術積累，也為學術界與工業界提供了一個可直接使用的統一生成基礎模型，有望加速整個領域的數據生成與訓練流程標準化。