# 小米发布Xiaomi-Robotics-U0：380亿参数多模态自回归模型统一具身合成

- 来源：HuggingFace Daily Papers（社区热门论文）
- 发布时间：2026-07-13 22:57
- AIHOT 分数：76
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmrkswubg00wabi5qrgj8jc2l
- 原文链接：https://arxiv.org/abs/2607.11643

## 精选理由

小米这个 38B 的统一具身生成模型，把图像、编辑、场景生成等全塞进一个框架，并在真实机器人操作任务上把 pi_0.5 的成功率从 36.9% 拉到 63.2%，做具身智能的值得认真看。

## AI 摘要

小米推出Xiaomi-Robotics-U0，一个380亿参数的多模态自回归模型，用于统一具身合成。该模型将具身生成视为基础图像与视频生成的延伸，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。它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，并引入结构化可控具身迁移。该模型在单步与序列生成任务上达到SOTA，在具身场景生成与迁移的人类评估中超越GPT-Image-2.0，在World Arena具身视频生成排名第一，并将pi_0.5在真实世界操控任务上的分布外成功率从36.9%提升至63.2%。代码与检查点已开源。

## 正文

近期的基础图像与视频生成模型展现出强大的泛化能力与可控性，但其在具身场景中的直接应用受到多视角一致性、几何连贯性及机器人具身约束等要求的限制。现有方法通常利用有限的机器人数据对基础模型进行适配，往往牺牲了大规模预训练过程中获取的视觉知识。我们提出小米机器人-U0（Xiaomi-Robotics-U0），一个拥有380亿参数的多模态自回归模型，专为统一具身合成任务而设计。它将具身生成视为基础图像与视频生成的延伸，并联合优化了文生图、图像编辑、具身场景生成、具身迁移及具身视频生成等任务。这一统一框架在保留预训练世界基础模型泛化能力的同时，使其适配至具身场景。小米机器人-U0是首个支持跨多种机器人具身形态的高质量多视角场景生成模型，并引入了结构化、可控的具身迁移机制，可在保持多视角一致性与交互动态的前提下实现细粒度编辑。它在单步与序列生成任务上均取得了最先进成果，在具身场景生成与迁移的人工评估中超越GPT-Image-2.0，在具身视频生成的世界竞技场（World Arena）中排名第一，并将pi_0.5在具有挑战性的真实世界操控任务上的分布外成功率从36.9%提升至63.2%。这些结果表明，基础世界模型既能充当具身世界模型，也能作为具身智能的可扩展数据引擎。代码与模型检查点已发布于 https://robotics.xiaomi.com/xiaomi-robotics-u0.html。