小米开源 Xiaomi-Robotics-U0：具身领域首个“通吃”四类任务的统一生成模型

7月15日，小米正式发布了一款名为 Xiaomi-Robotics-U0 的具身基础模型——这可不是普通的大模型，而是一个拥有

的多模态自回归生成模型，更关键的标签是：。简单来说，它能同时搞定机器人图片和视频数据的生成与编辑，把过去各自为战的任务链路彻底打通了。

它的核心能力覆盖了四个方向：

• 具身场景生成（Scene Generation）
  ——模型可以根据文本描述，为指定机器人本体生成多视角初始场景。不管是桌面、厨房、仓库，还是更复杂的开放世界环境，只要用语言描述，就能生成对应的机器人观测。

• 具身迁移（Embodied Transfer）
  ——模型可以将已有机器人轨迹迁移到新的环境中。比如改变光照、背景、桌面材质、目标物体或工作区风格，同时保留原始轨迹中的机械臂位姿和场景布局。这意味着同样的轨迹数据，可以套用在不同风格的环境里，灵活度很高。

• 机器人交互视频生成（Video Generation）
  ——基于初始观测和操作指令生成后续视频，能同时保证动作的连贯性和物理一致性，而且可以零样本泛化到任意场景。换句话说，给它一个开局画面加一句指令，它就能脑补出接下来的完整动作序列。

• 通用文生图和图像编辑（Text2Image & Anything2Image）
  ——模型同时保留通用图像生成与编辑能力，让互联网上积累的海量视觉知识，能够迁移到具身智能任务中。这等于给机器人训练加上了一个强大的“知识外设”。

这意味着什么？从工程落地的角度来看，它既能在保持几何一致性的前提下，对已有数据做增强——换物体、换光照、换背景、加干扰，全部不用重新采集；也能从零生成全新场景，覆盖那些危险、极端、长尾等真机难以触达的环境。而更值得一提的是，通过 FlashAR+ 推理加速方案，它的生成效率相较原始自回归范式提升了近83倍，大幅缩短了从研究到落地的距离。从此，规模化生成具身训练数据来增益模型效果，有了一个可控且高效的解决方案。

模型效果好不好，不能光看宣传。在 WorldArena 评测基准上，

——全球126个模型参评，这个成绩含金量十足。此外，在真机评测中，面对未知光照、陌生背景等 Out of Distribution 场景，使用 Xiaomi-Robotics-U0 扩增数据训练的策略，任务完成进度平均提升了超过26%。这个数据说明，模型生成的数据不光看起来真，用起来也很管用。

目前相关代码与模型权重已全量开源，项目主页、代码仓库、Hugging Face 和魔搭链接均同步开放。感兴趣的团队可以从以下地址获取：

• 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/

总的来说，Xiaomi-Robotics-U0 的发布，为具身智能的数据生成和模型训练提供了一个开箱即用的基础方案，而且开源意味着整个社区都可以在此基础上快速迭代。接下来的看点，就是它能在多少实际机器人项目中真正跑起来。