Xiaomi-Robotics-U0是什么
Xiaomi-Robotics-U0 是小米推出的 380 亿参数统一具身合成模型，基于世界基础模型持续训练，联合优化文生图、图像编辑、具身场景生成、具身迁移及具身视频生成五大任务。Xiaomi-Robotics-U0 是首个支持跨多种机器人形态的高质量多视角场景生成模型，在具身场景生成与迁移的人工评估中超越 GPT-Image-2.0，在 World Arena 具身视频生成榜单排名第一，将 π0.5 在真实世界操控任务的分布外成功率从 36.9% 提升至 63.2%。
Xiaomi-Robotics-U0的主要功能
文生图生成：支持高质量文本到图像合成，保留基础世界模型的视觉知识。
图像编辑：支持 Any-to-Image 编辑，包括相机控制、时间控制、结构提取等细粒度操作。
具身场景生成：根据机器人形态和场景描述，生成多视角一致的初始观察画面。
具身迁移：在保持多视角一致性和交互动态的前提下，实现跨场景的结构化可控迁移。
具身视频生成：支持零样本多视角具身视频生成，将静态场景合成为时序连贯的操作视频。
Xiaomi-Robotics-U0的技术原理
统一自回归框架：基于 EMU3.5初始化，采用 IBQ Tokenizer 进行 16×16 空间压缩，所有模态统一为离散词表进行 next-token 预测。
联合持续训练：在通用域和具身数据集上统一自回归目标进行持续训练，避免用有限机器人数据导致的泛化能力损失。
FlashAR+ 推理加速：引入反对角线并行解码的垂直预测头，结合 vLLM 优化，1024×1024 分辨率图像生成速度提升 82.9 倍。
结构化控制分解：将场景解耦为工作空间、任务对象、无关对象、光照、背景五个独立控制维度，支持可扩展的具身视频增强。
子任务-子目标交错学习：通过 HDBSCAN 聚类对机器人轨迹进行子任务分解，生成交错的图像-文本序列，捕捉长程任务进展和细粒度交互动态。
