小米推出开源380亿参数多模态具身生成模型Xiaomi-

二零二六年七月十五日，小米正式发布并全面开源参数量达三百八十亿的多模态自回归具身生成基础模型——Xiaomi-Robotics-U0。该模型为业内首个可统一支持四类核心具身生成任务的一体化解决方案。

长期以来，机器人场景生成、轨迹规划、视频合成等模型各自独立、难以协同。Xiaomi-Robotics-U0突破这一局限，具备自主生成与扩增机器人训练所需图像及视频数据的能力，有效应对真实环境中极端条件、高风险场景及长尾分布数据采集成本高昂、实施困难等现实瓶颈。

依托自主研发的FlashAR+推理加速架构，模型生成效率较传统自回归方法提升近八十三倍，显著降低大规模具身数据工业化生产的实施门槛。

模型集成四大核心能力：具身场景构建、具身轨迹迁移、机器人交互视频生成、通用文本到图像生成及图像编辑。其采用原创的五维解耦结构化控制范式，支持通过自然语言对工作台布局、操作对象、环境杂物、光照条件及背景元素进行独立调节；所有调整均严格维持多视角几何一致性，避免机械臂姿态错位、空间结构畸变等常见失真问题。

模型适配多种主流机器人硬件平台，包括方舟无限、智元多款、松灵PiPER等本体设备，并可生成涵盖室内、户外、水下、赛博空间等多样化开放世界仿真环境。

在多项权威评测与真实机器人平台实测中，模型展现出领先性能。在全球一百二十六个模型参与的WorldArena具身视频评测基准测试中，Xiaomi-Robotics-U0综合得分位居首位，在指令理解准确率、交互自然度及多视角一致性等关键维度均表现最优。在具身轨迹迁移专项对比中，模型于深度一致性、结构保真度等指标全面优于闭源模型GPT-Image-2.0；后者在跨视角物体定位方面存在系统性偏差，难以满足机器人训练数据扩充的精度要求。

在真实机器人部署场景中，采用该模型扩增数据所训练的系统，在陌生光照条件、全新背景环境等分布外复杂工况下，任务完成进度平均提升逾百分之二十六；面对反光表面、强色温光源等典型视觉干扰，仍能实现自主感知校正，显著增强机器人对未知环境的泛化适应能力。

推理层面，FlashAR+加速方案结合vLLM分页KV缓存与批量调度技术，全面优化图像编辑与具身迁移等全流程解码效率。以一千零二十四乘一千零二十四分辨率图像为例，生成耗时由四百余秒大幅压缩至五点四四秒，在确保画面质量与物理交互合理性的前提下，满足工业化规模生成需求。

目前，模型全部代码、权重已同步在官网、GitHub、Hugging Face及魔搭平台完整开源，向全球具身智能研发者开放使用。