小米开源 Xiaomi-Robotics-U0：具身领域首个“通吃”四类任务的统一生成模型

小米于7月15日公布了其名为Xiaomi-Robotics-U0的具身智能基础模型。该模型拥有380亿参数，被誉为具身领域首个能够统一处理四类任务的模型，实现了机器人图像和视频数据的生成与编辑。

Xiaomi-Robotics-U0支持以下四类任务：

• 具身场景生成：能够根据文本指令，为特定机器人生成多视角的初始场景，适用于从桌面、厨房到仓库等各类环境，甚至开放世界。
• 具身迁移：允许将现有机器人轨迹应用于新环境，如改变光照、背景、物体或工作区风格，同时保持机械臂姿态和场景布局。
• 机器人交互视频生成：可基于初始观测和操作指令，生成连贯且物理上合理的后续视频，并具备零样本泛化能力。
• 通用文生图与图像编辑：继承了通用的图像生成和编辑功能，将互联网视觉知识融入具身智能任务。

官方指出，该模型能够增强现有数据，例如更换物体、光照、背景或添加干扰，而无需重新收集数据。它还可以从头开始生成全新的场景，包括机器人难以触及的危险、极端或长尾环境。通过FlashAR+推理加速方案，其生成效率比传统自回归方法快了近83倍，显著加速了工程应用。这为规模化生成具身训练数据提供了可控且高效的解决方案。

在WorldArena评测中，Xiaomi-Robotics-U0在126个参赛模型中脱颖而出，获得总分第一。在真实机器人测试中，使用该模型扩充数据训练的策略，在未知光照和陌生背景等非分布场景下的任务完成率平均提升了26%以上。

相关的代码和模型权重已全部开源，可在小米官方项目主页、GitHub仓库、Hugging Face以及魔搭平台获取。