小米宣布开源 Xiaomi-Robotics-U0——一个拥有 380 亿参数的多模态自回归具身生成基础模型。号称是是具身领域首个“通吃”四类任务的统一生成模型，打通了机器人图片和视频数据的生成与编辑链路。

该模型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，无需重新采集；也能从零生成全新场景，覆盖危险、极端、长尾等真机难以触达的环境。

此外，通过 FlashAR+ 推理加速方案，它的生成效率较原始自回归范式提升近 83 倍，大幅加快工程落地速度。规模化生成具身训练数据用于增益模型效果，从此有了可控且高效的解决方案。

在 WorldArena 评测基准上，Xiaomi-Robotics-U0 取得总分第一名（全球 126 个模型参评）。此外，真机评测中，在未知光照、陌生背景等 Out of Distribution 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%。

Xiaomi-Robotics-U0 用统一的多模态自回归框架，覆盖四类核心任务。

• 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。无论是桌面、厨房、仓库，还是更复杂的开放世界环境，都可以通过语言描述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，例如改变光照、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。 
• 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，能够兼顾动作连贯性和物理一致性，且可零样本泛化到任意场景。
• 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，使互联网视觉知识能够迁移到具身智能任务中。

团队设计了五维解耦结构化控制范式，让生成过程中的每个维度都可以通过自然语言的方式独立调控。

五维解耦结构化控制让 Xiaomi-Robotics-U0 能够实现跨机器人机型的多视图几何一致性生成。前景、背景、光照的修改只需要语言描述，同时保留图片的真实性和多视角一致性。通过这种五维解耦的结构化可控的描述，Xiaomi-Robotics-U0在具身迁移和具身场景生成两大具身生成任务上，实现了各种开放词表、开放世界的多视角一致生成。

一些测评结果如下：