小米正式发布Xiaomi-Robotics-U0大模型，并宣布开源，这是具身领域首个统一生成模型，拥有380亿参数，大幅度提升了机器人训练效率。

PChome 7月15日消息，小米正式发布Xiaomi-Robotics-U0大模型（下称“U0”），这是具身领域首个统一生成模型，拥有380亿参数，首次将多项具身世界建模能力与通用图像生成能力统一到一套多模态自回归架构中，为机器人训练数据的生成、迁移和扩增提供统一底座，大幅度提升了机器人训练效率。在U0发布同时，小米也宣布该模型开源，将进一步推动机器人训练数据从分散生成走向规模化生产，推动机器人训练效率及规模化落地。

U0具备出色的性能表现，在由清华大学、北京大学等机构联合打造的具身智能权威评测基准WorldArena上，U0获得73.64分，综合性能排名全球第一。真机测试显示，经过U0生成的数据训练后，机器人即使到了从未见过的环境，也能更好地完成任务，平均完成进度提升26.3%。

WorldArena 榜单，UNIS 为 Xiaomi-Robotics-U0 匿名评测代号（榜单时间2026年7月15日），在全球共126个模型中位列第一

统一四类生成任务，搭起「具身数据」工厂

机器人训练需要大量包含场景、物体、动作和空间关系的数据，但真实世界的数据采集成本高、周期长，也很难覆盖不同光照、背景、物体组合和机器人本体。

过去，不同类型的数据通常需要不同模型分别生成。U0首次将通用图像生成能力与具身世界建模能力统一到一套多模态自回归架构中，覆盖四类核心任务：

具身场景生成：根据文本描述，为指定机器人生成桌面、厨房、仓库等环境下的多视角初始观测；

具身迁移：将已有机器人轨迹迁移至新环境，在改变光照、背景、材质或物体的同时，保持机械臂姿态、动作轨迹和场景布局一致；

机器人交互视频生成：根据初始观测和操作指令生成后续视频，兼顾动作连贯性和物理一致性；

通用文生图与图像编辑：保留通用视觉生成与编辑能力，将互联网视觉知识迁移到具身智能任务中，扩充训练数据的场景和物体类型。

四类能力贯通了“生成场景—迁移轨迹—扩展环境—生成交互过程”的数据生产链路，使U0成为一座统一、可控、高效的“具身数据工厂”。

真机测试进一步验证了生成数据的实际价值。在陌生光照、未知背景等分布外场景中，使用U0生成的数据训练机器人后，任务完成进度平均提升26.3%。

也就是说，使用U0生产的数据训练后，即使换到训练阶段从未见过的环境，机器人也能更稳定地完成任务，而环境泛化能力正是机器人从实验室走向开放世界、实现规模化应用必须突破的关键瓶颈。

可控性大幅领先GPT-Image2.0，造可用具身数据

给机器人「造」数据，和普通的 AI 画图有本质区别：画面不仅要逼真，更要与真实采集的动作轨迹严格对齐——同一个物体在不同相机视角下的位置必须几何一致，机械臂的姿态不能因为换了背景而错位，否则生成的数据无法用于训练。

为此，U0提出五维解耦结构化控制范式，将机器人工作场景拆分为工作台布局、操作物体、无关物体、光照和背景五个维度。每个维度都可以通过自然语言独立调整，修改前景、背景或光照的同时，尽量保持机械臂姿态、空间结构及多视角关系不变。

在WorldArena评测中，U0综合排名第一，指令遵循、交互质量和视角一致性三个子项也全部位列第一；可控性得分达到91.60，3D准确性达到92.04。

在包含300个不同难度样本的对比测试中，U0在深度一致性、结构保真和语义对齐三个维度均大幅领先GPT-Image-2.0，后者虽然能够生成符合文字描述的画面，但在跨视角场景中更容易出现物体错位、空间畸变或机械臂姿态变化，进而影响数据与原始轨迹的对应关系。

这意味着，U0的优势不只是“把画面生成得更像”，更是让机器人动作、空间关系和多视角观测保持一致，使生成数据真正具备训练价值。

7.5分钟到5.44秒，数据生成效率提升 82.9 倍

大规模生产具身数据，除了要求生成结果准确，还必须解决速度和成本问题。

U0提出 FlashAR+ 高速推理加速方案，结合对角并行解码与高效的缓存调度技术，能够将一张可用高清训练图片（1024×1024分辨率）的生成时间从原来的7.5分钟（450.77秒）极限压缩至5.44秒，效率提升82.9倍。

这一效率提升，为具身训练数据的低成本、规模化生产提供了工程基础。机器人训练团队因而能够在更短时间内，批量生成覆盖不同背景、光照、物体和机型的训练数据。随着U0开源，具身数据也有望从依赖大量人工采集，进一步走向可控、高效的批量生产。