小米今日正式推出名为Xiaomi-Robotics-U0的多模态自回归具身生成基础模型，该模型拥有380亿参数规模，成为具身智能领域首个能够同时处理四类核心任务的统一生成框架。通过创新的数据生成与编辑链路设计，该模型实现了机器人视觉数据从静态图片到动态视频的跨模态生成能力，为具身智能训练提供了全新解决方案。
在具身场景生成方面，该模型突破了传统环境构建的局限性。通过自然语言指令，系统可自动生成包含多视角观测的初始场景，覆盖从家庭厨房到工业仓库的多样化环境。实验数据显示，模型生成的虚拟场景与真实环境在几何结构上的匹配度达到92%，为机器人训练提供了高保真度的模拟环境。
针对环境适应性难题，小米研发团队提出的具身迁移技术实现重大突破。该技术可将已有操作轨迹无缝迁移至光照条件变化300%、背景复杂度提升5倍的新场景，同时保持机械臂运动轨迹的毫米级精度。对比实验表明，在跨场景迁移任务中，Xiaomi-Robotics-U0的轨迹复现误差较传统方法降低67%。
动态视频生成能力是该模型的另一技术亮点。基于初始观测帧和操作指令，系统可生成长达20秒的连贯操作视频，帧间动作过渡自然度达到专业动画师水平。特别值得关注的是，通过引入物理引擎约束，生成视频中的物体运动轨迹完全符合牛顿力学定律，有效解决了传统生成模型中的"漂浮物体"等物理失真问题。
在通用图像生成能力方面，模型延续了小米在视觉生成领域的技术积累。通过构建跨模态知识图谱，系统可将互联网海量视觉数据转化为具身智能训练资源。测试集显示，在100类常见物体的生成任务中，模型输出的图像质量评分（FID）达到2.8，接近真实照片水平。
效率优化方面，FlashAR+推理加速方案使模型生成速度提升83倍。在配备NVIDIA A100的服务器上，单场景生成时间从127秒压缩至1.5秒，满足工业级应用需求。该技术通过动态剪枝和注意力机制优化，在保持98%生成质量的同时，将计算资源消耗降低至原始模型的12%。
国际权威评测机构WorldArena最新榜单显示，Xiaomi-Robotics-U0以显著优势登顶全球126个参评模型。在真实机器人测试中，使用该模型扩增数据训练的策略网络，在未知光照条件下任务完成率提升26.3%，陌生背景场景中成功率提高31.7%。目前，小米已开放模型技术白皮书及部分数据集，推动具身智能领域技术共享。
