小米开源380亿参数具身大模型Xiaomi-Robotics-U0：生成效率提升83倍，拿下全球评测第一

小米在机器人领域放了个大招。

7月15日，小米正式发布并全量开源了380亿参数的多模态自回归具身生成基础模型 Xiaomi-Robotics-U0。这是行业首个能统一覆盖四类核心具身生成任务的一体化方案，打破了以往机器人场景、轨迹、视频生成模型各自为政的局面。

四大能力一体化

这个模型同时承载了四项能力：

• 具身场景生成
• 具身轨迹迁移
• 机器人交互视频生成
• 通用文生图与图像编辑

它还能自主生成和扩增机器人训练所需的图像与视频数据，解决真机采集极端、危险、长尾场景数据成本高、难度大的痛点。

五维解耦控制，改哪里动哪里

模型独创了五维解耦结构化控制范式，可以分别对工作台布局、操作物体、杂物、光照、背景五大维度通过自然语言独立调整。修改画面元素时不会出现机械臂位姿错位、场景空间畸变的问题，全程保障多视角几何一致性。

兼容性方面，它支持方舟无限、智元多款、松灵PiPER等多种机器人本体，还能生成室内、户外、海底、赛博场景等各种开放世界仿真环境。

评测成绩：全球第一

在全球126款模型同台比拼的WorldArena具身视频评测基准中，Xiaomi-Robotics-U0拿下总分第一，指令遵循、交互流畅度、多视角一致性全部领跑。

在具身迁移对比测试中，它在深度一致性、结构保真等指标上全面超越闭源的GPT-Image-2.0——后者普遍存在跨视图物体错位的问题，根本没法用于机器人训练数据扩充。

真机实测更亮眼：用该模型扩增数据训练的机器人，在陌生光照、全新背景等复杂工况中，任务完成进度平均提升超26%，面对反光、彩色强光等视觉干扰也能自主校正。

生成速度：从400秒压到5.44秒

小米还自研了FlashAR推理加速方案，搭配vLLM分页KV缓存批量调度技术，把1024×1024分辨率图像生成耗时从四百多秒压缩到5.44秒，效率提升近83倍，真正做到了工业化批量生成。

全量开源

目前模型全部代码和权重已在官网、GitHub、Hugging Face、魔搭平台完整开源，面向全球具身智能开发者开放。