小米于7月15日发布了名为Xiaomi-Robotics-U0的先进模型，这是一个拥有380亿参数的多模态自回归具身生成基础模型。该模型被誉为具身智能领域的首个能够统一处理四类任务的模型，成功打通了机器人图像和视频数据的生成与编辑流程。

该模型具备以下四项核心能力：

• 具身场景生成：能够根据文本指令，为特定的机器人本体创建多视角的初始场景，无论是桌面、厨房、仓库还是更复杂的开放世界环境，均可通过语言描述生成相应的机器人观测视角。
• 具身迁移：允许将既有的机器人轨迹迁移至新的环境，例如调整光照、背景、桌面材质、目标物体或工作区风格，同时保持原始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，生成后续视频，该过程兼顾了动作的连贯性和物理的真实性，并能实现零样本泛化到任意场景。
• 通用文生图和图像编辑：该模型保留了通用的图像生成和编辑功能，使得互联网上的视觉知识能够被迁移并应用于具身智能任务中。

小米方面表示，该模型能够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、调整光照、改变背景或增加干扰，而无需重新采集数据。此外，它还能从零开始生成全新的场景，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，其生成效率相较于传统的自回归范式提升了约83倍，显著加快了工程落地进程。这为规模化生成用于增强模型效果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的总得分位列第一，在参与评测的全球126个模型中脱颖而出。在真实机器人评测中，使用Xiaomi-Robotics-U0扩增数据训练的策略，在未知光照、陌生背景等非常规场景下的任务完成进度平均提升超过26%。

目前，相关的代码和模型权重已全部开源，供社区使用。