小米公司今日正式推出了一款名为Xiaomi-Robotics-U0的多模态自回归具身生成基础模型，该模型拥有380亿参数，成为具身智能领域首个能够统一处理四类核心任务的生成模型。这一突破性成果不仅打通了机器人图片和视频数据的生成与编辑链路，还为具身智能的训练数据规模化生成提供了高效解决方案。
该模型的核心能力体现在四大场景：在具身场景生成方面，它可根据文本描述为指定机器人本体生成多视角初始场景，覆盖桌面、厨房、仓库乃至复杂开放世界环境；具身迁移功能支持将已有机器人轨迹无缝迁移至新环境，通过调整光照、背景、材质等参数，同时完整保留机械臂位姿和场景布局；机器人交互视频生成模块能够基于初始观测和操作指令生成后续视频，确保动作连贯性与物理一致性，并实现零样本泛化；通用文生图与图像编辑能力则使互联网视觉知识可直接迁移至具身任务，拓展了模型的应用边界。
技术层面，Xiaomi-Robotics-U0通过FlashAR+推理加速方案实现显著效率提升，其生成速度较原始自回归范式提高近83倍，大幅缩短了工程落地周期。该模型支持对现有数据进行可控增强，包括替换物体、调整光照、更换背景及添加干扰项，无需重新采集即可生成符合几何一致性的新数据。同时，它还能从零构建全新场景，覆盖危险、极端或长尾等真实机器人难以触达的环境，为训练数据多样性提供保障。
在权威评测中，该模型以UNIS为匿名代号参与WorldArena基准测试，从全球126个参评模型中脱颖而出夺得总分第一。真机实验数据显示，在未知光照、陌生背景等分布外场景下，使用Xiaomi-Robotics-U0扩增数据训练的策略任务完成进度平均提升超26%，验证了其在复杂环境中的鲁棒性与实用性。这一成果标志着具身智能训练数据生成技术进入可控高效的新阶段。
