文章摘要
【关 键 词】 具身智能、世界模型、视频生成、多模态、推理加速
小米正式推出拥有380亿参数的Xiaomi-Robotics-U0多模态自回归世界基础模型。该模型首次将基础图像生成与具身世界建模统一在单一的自回归框架下，实现了多视图具身场景生成、具身迁移、机器人交互视频生成以及通用图文编辑等多项功能。与以往仅依赖机器人轨迹数据训练的模型不同，这一创新架构将互联网规模的视觉知识成功迁移至具身场景，为具身智能系统的数据引擎建设提供了全新方向。
在性能评估与真实任务验证中，Xiaomi-Robotics-U0展现出显著的技术领先优势。其具身场景生成与迁移效果超越了GPT-Image 2.0，并在World Arena基准的具身视频生成评测中取得总分第一的成绩。在多视图一致性和细粒度可控性方面，该模型有效解决了跨视图物体错位和空间畸变问题。此外，在未知光照和陌生背景等干扰场景的真机评测中，使用该模型扩增数据训练的策略任务完成进度平均提升超过26%，证明了其在极端视觉干扰下的鲁棒性与自校正能力。
针对工程部署与推理效率，小米引入了FlashAR+加速方案。通过结合轻量化训练后处理、对角并行解码以及vLLM分页键值缓存批处理调度技术，模型的生成效率最高提升了82.9倍，单张高分辨率图像的生成时间从450秒大幅缩短至5.44秒。这一优化在保障高品质生成效果的同时，极大提升了实际落地速度。同时，小米机器人在汽车工厂的实际作业成功率也取得突破，自攻螺母上件等任务成功率提升至90%至98%不等。
Xiaomi-Robotics-U0的发布标志着具身世界模型走向统一合成的关键转折，初步形成了面向开放世界的具身序列生成引擎。该模型不仅保留了世界知识与常识，还注入了机械臂动力学与物体交互模式，展现出强大的零样本泛化能力与跨场景适应性，为未来具身智能的发展奠定了坚实的技术基础。
原文和模型
【原文链接】 阅读原文 [ 2232字 | 9分钟 ]
【原文作者】 机器人前瞻
【摘要模型】 qwen3.7-max-2026-05-17
【摘要评分】 ★★★★★
相关文章
