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。
该模型覆盖四大核心能力：具身场景生成，可根据文本描述为指定机器人本体生成多视角初始场景；具身迁移，可将已有机器人轨迹迁移到新环境中，改变光照、背景、桌面材质等，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，基于初始观测和操作指令生成后续视频，兼顾动作连贯性和物理一致性；以及通用文生图和图像编辑能力，使互联网视觉知识能够迁移到具身智能任务中。
官方表示，Xiaomi-Robotics-U0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。通过FlashAR+推理加速方案，其生成效率较原始自回归范式提升近83倍。
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）。真机评测中，在未知光照、陌生背景等Out of Distribution场景下，使用该模型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。