IT之家 7 月 15 日消息，小米今日发布 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，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。

• 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。

官方表示，它既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%。

相关代码与模型权重已全量开源，IT之家附相关链接：

• 项目主页：

• 代码仓库：

• 模型权重：

• 魔搭链接：

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。