小米于 7 月 15 日公布了 Xiaomi-Robotics-U0，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，实现了机器人图像与视频数据的生成和编辑功能。

Xiaomi-Robotics-U0 在以下四个方面展现了其能力：

• 具身场景生成：该模型能够根据文本描述，为指定的机器人本体生成多视角初始场景。无论目标环境是桌面、厨房、仓库还是更复杂的开放世界，用户均可通过语言指令生成相应的机器人观测视角。
• 具身迁移：此模型能够将已有的机器人轨迹迁移至新的环境中。它可以在改变光照、背景、桌面材质、目标物体或工作区风格的同时，保持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：基于初始观测和操作指令，模型可以生成后续视频。其生成内容兼顾动作的连贯性和物理世界的真实性，并能实现零样本泛化至任意场景。
• 通用文生图和图像编辑：模型保留了通用的图像生成与编辑能力，使得互联网上的视觉知识能够被迁移应用于具身智能任务。

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，例如替换物体、改变光照、调整背景或增加干扰，而无需重新采集数据。此外，它还能从零开始生成全新场景，覆盖了真实机器人难以触及的危险、极端或长尾等环境。借助 FlashAR+ 推理加速方案，其生成效率较原始自回归范式提升了约 83 倍，显著加快了工程落地进程。这为规模化生成具身训练数据以提升模型效果提供了可控且高效的解决方案。

在 WorldArena 评测基准中，Xiaomi-Robotics-U0 获得了总分第一的成绩，在 126 个参赛模型中脱颖而出。在真实机器人评测中，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非分布场景下的任务完成度平均提升了超过 26%。

目前，相关的代码和模型权重已全部开源。