维度网讯，7月15日，小米正式推出拥有380亿参数的自回归世界基础模型Xiaomi-Robotics-U0。这是首个将图像生成基座模型与具身世界建模相结合的统一具身生成模型，在World Arena的具身视频生成中排名第一，并在高难度的真机评测中使任务完成进度平均提升超26%。
与传统仅在机器人轨迹上训练的具身世界模型不同，Xiaomi-Robotics-U0在单一自回归框架内统一了多视图具身场景生成、具身迁移、机器人交互视频生成、通用文生图和图像编辑功能。该模型将具身生成视为基础图像和视频生成的扩展，可直接根据语言指令生成符合物理规律的多视图机器人观测数据。
在具身场景生成方面，模型支持多视角生成。在具身迁移方面，Xiaomi-Robotics-U0可在保持机器人交互行为不变的前提下，将现有场景迁移至新场景，通过解耦工作空间、背景、光照等维度实现指数级场景扩展。在机器人交互视频生成方面，该模型基于初始观测和操作指令即可预测未来交互过程，支持场景滚动和多视角预测，具备零样本泛化能力。
在通用文生图和图像编辑方面，Xiaomi-Robotics-U0同时保留相关能力，可实现跨场景、跨目标及跨风格的高保真视觉合成，并支持在改变意图的同时保持结构不变的指令跟随式编辑。
在人工评测中，Xiaomi-Robotics-U0的具身场景生成和具身迁移效果优于GPT-Image-2.0。在精细操作、可变形物体处理及长程任务中，使用该模型扩增数据训练的策略，在未知光照和陌生背景干扰下，任务完成进度平均提升26.3%。与GPT-Image-2相比，Xiaomi-Robotics-U0在多视图一致性、细粒度可控性和迁移鲁棒性上展现出明显优势，有效避免了跨视图物体错位和空间畸变问题。
在由清华大学、北京大学等联合打造的World Arena评测基准上，Xiaomi-Robotics-U0在超过100个模型中排名第一，在可控性、指令跟随、交互质量等方面获得最高分。
小米还引入了FlashAR+推理加速方案，通过轻量化训练后处理和vLLM技术，结合对角并行解码和分页键值缓存批处理调度，使1024*1024分辨率下单样本生成时间从450.77秒缩短至5.44秒，效率提升82.9倍。
在小米汽车工厂的实际部署中，小米机器人已在自攻螺母上件工站执行任务，双侧作业成功率提升至98%，并在中控台侧盖板排序和料箱折叠回收工作中达到90%的成功率。
Xiaomi-Robotics-U0的核心突破在于将互联网规模的视觉知识迁移至具身场景，改变了以往仅依赖机器人轨迹数据进行微调的传统路径，为具身智能系统的可扩展数据引擎建设提供了新的技术方向。
