发布：2026 年 7 月 15 日 · 最近核对：2026 年 7 月 20 日

Xiaomi-Robotics-U0：380 亿参数统一具身基础模型，专为机器人训练数据设计

一句话总结

2026 年 7 月 15 日，小米发布 Xiaomi-Robotics-U0 —— 一个 380 亿参数统一多模态自回归具身生成基础模型。它是业内首个把 具身场景生成、具身迁移、机器人交互视频生成、文生图与图像编辑 四大任务统一到一套架构的模型。WorldArena 具身视频评测基准 73.64 分（126 个模型第一）；真机 OOD 场景下策略任务完成进度 +26.3%（包装盒/折叠毛巾/包装手机/包装耳机四个任务从 36.9% 提升到 63.2%）；FlashAR+ 加速较传统自回归生成 提速 82.9 倍。模型、训练代码、推理代码全量开源。

为什么这件事重要

机器人策略需要海量训练数据，但真实数据采集成本高、周期长，而且只覆盖实验室里那个光照、那个背景、那几样物体。2026 年之前的方案是分别训练 4 个独立模型：场景生成、轨迹迁移、视频合成、图像编辑。它们对几何理解不一致，会破坏机械臂位姿，也无法共享权重。

Xiaomi-Robotics-U0 把四大能力塞进 一个自回归模型，原生理解多视角几何与物理一致性。你可以写一段文字："这个场景但换成大理石台面、加 3 把椅子、夕阳光照"，输出会保留机器人臂位姿、相机角度和原始动作序列。这就是"用生成数据训练真实机器人策略"真正解锁的钥匙。

关键数字（2026-07-15 发布）

380 亿

参数

统一任务

73.64

WorldArena（1/126）

+26.3%

真机 OOD 策略

82.9×

FlashAR+ 加速

5.44 秒

1024×1024 单图

四大任务，一个模型

U0 统一了原本的 4 条独立流水线。每个任务在同一自回归目标下联合训练，模型可以在它们之间切换而无需重新编码。

① 具身场景生成

根据文本描述，为指定机器人本体生成多视角初始观测画面——厨房、仓库、海底、赛博城市都可以。首帧多视角几何一致（可作为下游策略训练的起始状态）。

② 具身迁移

输入一段已有机器人轨迹（多视角 RGB + 深度），加一句"大理石台面、加 3 把椅子、夕阳"，U0 生成新视频，机械臂位姿、场景布局、原始动作序列都保留，但视觉风格、光照、物体配置换掉。相当于机器人视频的"图像滤镜"。

③ 机器人交互视频

给定首帧和操作指令（"拿起杯子"、"折叠毛巾"），U0 生成剩余视频，动作连续、物理一致。零样本泛化到任意场景和机器人本体。

④ 文生图 + 图像编辑

通用视觉生成能力，与具身任务共享权重。互联网规模的视觉知识迁移进具身模型，所以它在学"叠毛巾"的同时也不会忘记"画猫"。

五维解耦结构化控制

具身迁移的难点是：你让模型改一个东西，它会把整个几何都搞坏。U0 的"五维解耦结构化控制"把场景拆成 5 个正交轴，自然语言独立调控：

工作台布局——工作区结构、材质、色彩、空间排布
前景目标物体——任务目标物品种类、摆放姿态
前景无关杂物——非目标道具的形态、位置
光照条件——强光、漫射日光、彩色特殊光源、反射
全局背景——室内/室外、环境风格、远景物体布局

改任何一维，其他四维锁定。机械臂位姿、原始场景几何、动作序列全都不动。

基准测试

WorldArena 具身视频评测（清华 + 北大）：126 个模型参评，U0（匿名代号"UNIS"）73.64 分，总分第一，指令遵循、交互真实度、多视角一致性三项细分全部领先。在 300 个测试样本的头对头对比中，U0 在深度一致性、结构保真、语义对齐上击败闭源 GPT-Image-2.0——关键是 GPT-Image-2.0 的输出有跨视角物体错位（无法用于机器人训练），而 U0 完整保留原始轨迹。

真机 OOD 增益：小米团队在包装盒、折叠毛巾、包装手机、包装耳机 4 个任务上做真机研究，环境采用分布外条件（新桌布、新光照、反射/彩色光干扰）。在 π₀.₅ 策略基座上加 U0 增强数据：

只用原始数据：OOD 成功率 36.9%
原始 + U0 增强：OOD 成功率 63.2%
平均任务进度提升：+26.3%

机器人在强视觉干扰下还发展出自我校正行为（不会卡死）。

FlashAR+：82.9× 加速，1024×1024 单图 5.44 秒

自回归图像生成慢，是因为每个像素 token 都是顺序预测。小米 FlashAR+ 加速器（早期 FlashAR 文生图方案的扩展）把目标图像 token 群并行化，输入前缀仍走串行——这样模型可以消化复杂多图/深度/文本条件，只有目标区域走并行。

结合 vLLM 分页 KV 缓存批量调度 + 对角并行解码：

传统 AR：450.77 秒/张 1024×1024
FlashAR+：5.44 秒/张 1024×1024
加速：82.9×，画质几乎无损失

这才让工业级批量生成（百万级训练样本）成为现实——没有 FlashAR+，用普通 GPU 集群生成真实训练语料库要花几年。

开源情况

模型、训练代码、推理代码、Demo 全部开源：

原生兼容机器人本体：方舟无限（ARX）、智元 G1/G2（AgiBot）、松灵 PiPER（Husarion）。模型本体无关——同一套权重可微调或 prompt 到新机器人本体。

U0 与 MiMo 的关系

Xiaomi-Robotics-U0 是 MiMo LLM 家族的兄弟项目，不是替代品。分工：

MiMo-7B / V2.5 标准版 / V2.5-Pro / V2.5-Omni / V2.5-TTS——语言 / 多模态语言模型。负责对话、智能体、代码、语音的"大脑"栈。
Xiaomi-Robotics-U0——具身世界 / 数据生成模型。负责机器人训练的"想象"栈。

生产机器人栈两者并用：MiMo 负责高层规划与语言条件工具调用，U0 负责生成训练数据，并可能生成策略训练时的世界模型 rollout。

U0 不擅长的（局限）

长程 rollout。场景生成和视频生成是分开的。多分钟任务会累积误差。联合场景-未来视频训练是未来工作。
具身迁移仍需深度作为中间信号。U0 用估计的深度图作为几何信号，深度噪声 → 编辑噪声。直接多视角图像编辑在路上。
通用能力保住了，但有少数回归。U0 联合训练后保留了通用文生图/编辑能力（GenEval、ImgEval 大部分不退），但部分高度组合空间 grounding 任务有轻微退化。

怎么开始用

面向具身智能研究员和机器人团队：

克隆 GitHub 仓库，从 HuggingFace 或 ModelScope 拉权重。
推理：FlashAR+ 路径 1024×1024 需 4× A100/H100 80GB。512×512 的 INT8/FP8 路径在做。
数据增强：U0 具身迁移 + 任意 VLM（MiMo-V2.5-Omni 可用）生成变化 prompt，再把增强 + 原始轨迹混进你的训练 pipeline。

本页是对小米 2026-07-15 官方公告的非官方社区解读。权威技术报告和基准以小米机器人项目页为准。