在全球机器人技术快速发展的当下，数据采集与处理成为制约行业突破的关键瓶颈。具身智能领域长期面临“物理世界互联网”缺失的困境——机器人训练所需的视觉、动作与环境状态数据，难以像语言模型那样从互联网海量资源中直接获取。传统数据采集方式依赖真机操作或人工遥操作，不仅成本高昂，且难以覆盖低频、极端场景，导致机器人难以适应复杂多变的真实环境。
针对这一痛点，小米近日正式开源全球首个具身统一生成模型Xiaomi-Robotics-U0，通过“统一架构、五维解耦、推理加速”三大创新，构建起低成本、高可控的具身数据生产体系。该模型将具身场景生成、具身迁移、机器人交互视频生成，以及通用文生图与图像编辑四类任务整合至单一框架，突破了传统多模型协同处理时的能力割裂与场景不一致问题。
在技术实现层面，U0采用五维解耦控制机制，将生成过程拆分为工作台布局、操作物体、无关杂物、光照条件与背景信息五个独立维度。研究人员可基于单段机械臂操作轨迹，通过自然语言指令精准修改特定变量，例如仅调整光照强度而不改变物体位置，或替换操作对象同时保留原始动作轨迹。这种设计确保了生成数据与原始动作标签的严格匹配，解决了具身数据对几何关系与空间结构的高精度要求。
为提升数据生产效率，U0引入FlashAR+推理加速方案，结合对角并行解码与分页KV缓存技术，在1024×1024分辨率下将单样本生成时间从450秒压缩至5.44秒，效率提升82.9倍。这一突破使得单条真实轨迹可批量衍生出数百种不同场景，显著降低了大规模数据生产的算力与时间成本。
真实环境测试验证了U0的实用价值。在清华大学、北京大学等机构联合建设的WorldArena基准测试中，U0以匿名代号UNIS参评，从126个参评模型中脱颖而出，获得总分第一，并在指令遵循、交互质量与视角一致性三个子项中排名榜首。真机评测显示，使用U0扩增数据训练的机器人在未知光照、陌生背景等分布外场景中，任务完成进度平均提升26.3%，尤其在精细操作如耳机收纳、可变形物体处理如毛巾折叠等任务中表现突出。
与传统图像生成模型对比，U0在具身数据可控性方面展现显著优势。以GPT-Image-2.0为代表的闭源模型虽能完成场景替换，但多视角几何一致性难以保障，机械臂位姿与物体空间关系常出现偏差。而U0通过统一架构与解耦控制，确保了不同摄像头视角下物体位置、机械臂姿态与原始轨迹的严格对应，为策略训练提供了可靠数据支撑。
从行业视角看，U0的开源标志着具身智能进入“数据基础设施驱动”新阶段。传统数据扩张依赖机器人数量、运行时间与人工示范的线性投入，而U0通过模型生成技术，使单条真实数据可扩展至数百种环境变体，大幅降低了对新增采集的依赖。这种“真实数据+生成扩增”的模式，为解决长尾场景覆盖、提高模型泛化能力提供了可行路径。
目前，U0已形成完整的具身数据生产链路：从构造工作台与物体，到迁移已有操作轨迹，最终生成完整机器人交互过程。这一体系虽无法完全替代真机采集——机器人仍需通过现实世界获取真实接触反馈与动作校准——但显著提升了数据利用效率。随着生成模型与真实数据的深度融合，具身智能训练将突破物理世界采集速度的限制，为机器人规模化落地奠定基础。
