最新7月15日消息，今日，小米正式发布并全量开源380亿参数多模态自回归具身生成基础模型Xiaomi-Robotics-U0，是行业首个可统一覆盖四类核心具身生成任务的一体化方案。

该模型打破以往机器人场景、轨迹、视频生成模型相互割裂的行业现状，能够自主生成、扩增机器人训练所需图像与视频数据，解决真机采集极端、危险、长尾场景数据成本高、难度大的痛点。

依托自研FlashAR+推理加速方案，生成效率相较传统自回归架构提升近83倍，大幅降低大规模具身数据生产的落地门槛。

模型统一承载具身场景生成、具身轨迹迁移、机器人交互视频生成、通用文生图与图像编辑四大能力，依托独创五维解耦结构化控制范式，可分别对工作台布局、操作物体、杂物、光照、背景五大维度通过自然语言独立调整，全程保障多视角几何一致性，修改画面元素时不会出现机械臂位姿错位、场景空间畸变问题。

同时兼容方舟无限、智元多款、松灵PiPER等多种机器人本体，支持生成室内、户外、海底、赛博场景等各类开放世界仿真环境。

多项权威评测与真机实测验证了模型领先性能，在全球126款模型同台比拼的WorldArena具身视频评测基准中，Xiaomi-Robotics-U0拿下总分第一，指令遵循、交互流畅度、多视角一致性全部领跑。

在具身迁移对比测试中，模型在深度一致性、结构保真等指标全面超越闭源GPT-Image-2.0，后者普遍存在跨视图物体错位缺陷，无法用于机器人训练数据扩充。

真机实操场景下，使用该模型扩增数据训练的机器人，在陌生光照、全新背景等分布外复杂工况中，任务完成进度平均提升超26%，面对反光、彩色强光等视觉干扰也可自主校正，大幅提升机器人环境泛化能力。

真机任务成功率对比

推理层面小米推出FlashAR+加速方案，搭配vLLM分页KV缓存批量调度技术，优化图像编辑、具身迁移全流程解码速度，1024*1024分辨率图像生成耗时从四百多秒压缩至5.44秒，在保障画面、物理交互质量的前提下适配工业化批量生成需求。

目前模型全部代码、权重已在官网、GitHub、Hugging Face、魔搭平台完整开源，面向全球具身智能开发者开放使用。