Xiaomi-Robotics-U0 otevírá cestu k syntetickým datům pro roboty

Původně uváděné datum zřejmě spojuje dvě různé aktualizace. Plné vydání Xiaomi-Robotics-U0 bylo oznámeno 15. července 2026. V září projektový repozitář informoval o dalších vahách 4B a sekvenčních modelů a o kódu pro trénink FSDP. 79

Xiaomi-Robotics-U0 je nejlépe chápat jako otevřený generativní systém pro tvorbu říditelných syntetických dat pro robotiku. Dokáže generovat nebo upravovat vizuální scénáře zaměřené na robota a přitom se má snažit zachovat vlastnosti důležité pro trénink: robotická pozorování, kontext manipulace, perspektivu kamery i konzistenci scény. Nejde však o model, který by přímo převáděl pozorování na povely pro robota. 16

Co Xiaomi zveřejnilo

Vlajkový U0 je popisován jako multimodální autoregresivní světový základní model s 38 miliardami parametrů. Otevřené vydání zahrnuje váhy modelu, zdrojový a inferenční kód, konfigurovatelné nastavení, vstupní body pro Gradio a úpravy pro autoregresivní inferenci i inferenci FlashAR/vLLM. Repozitář je licencován pod Apache-2.0. 249

Xiaomi později uvedlo tři zářijová vydání: Xiaomi-Robotics-U0-4B, Xiaomi-Robotics-U0-Sequence a Xiaomi-Robotics-U0-4B-Sequence, vedle kódu pro trénink FSDP. Označení „U0“ proto nyní neznamená jen původní velký checkpoint, ale rozvíjející se rodinu modelů. 9

Jeden model pro několik typů robotických dat

Základní myšlenkou U0 je sjednocení více úloh do jedné architektury. Xiaomi uvádí podporu pro:

• generování text–obraz a obraz–obraz;
• tvorbu scén pro embodied AI, tedy systémy vnímající a jednající ve fyzickém prostředí;
• strukturovaný přenos scén a úpravy obrazu;
• generování videa nebo rozvíjení sekvence robotických pozorování. 46

Nejvýraznějším praktickým použitím má být rozšiřování dat. Z existující trajektorie či pozorování robota lze měnit například pozadí, osvětlení, materiály nebo objekty a vytvářet tak nové tréninkové příklady bez opakovaného sběru každé varianty v reálném provozu. 37

Právě tím se U0 liší od běžného generátoru obrázků, jehož hlavním cílem je působivý samostatný snímek. Zamýšlenou hodnotou U0 je řízená variabilita při zachování geometrie a interakčního kontextu relevantního pro robota. 37

Autoregresivní architektura a multimodalita

U0 je autoregresivní vizuální model. Na rozdíl od difuzních obrazových systémů, které obraz postupně odšumují, vytváří diskrétní vizuální tokeny sekvenčně. Zprávy popisují jeho základ jako kombinaci EMU3.5 a Qwen-3-32B se sdíleným diskrétním vizuálním tokenizerem pro podporované úlohy. 47

Autoregresivní přístup přirozeně pracuje s obrazy, pozorováními a časovými sekvencemi jako s proudy tokenů. U obrazů ve vysokém rozlišení je ale výpočetně náročný, protože tokeny vznikají v pořadí. Právě tento limit má řešit specializovaná inferenční cesta Xiaomi. 15

FlashAR+ a vLLM: co skutečně znamená tvrzení o rychlosti

FlashAR+ je metoda Xiaomi pro zrychlení dekódování vizuálních tokenů. Místo striktně postupného vytváření každého tokenu používá paralelní generování po anti-diagonálách. Nad tím je integrováno vLLM, které zajišťuje práci s podmíněnými prefixy, dávkování a stránkovanou KV cache; pravidlo dekódování FlashAR+ přitom zůstává zachováno. 19

Xiaomi uvádí, že FlashAR s vLLM vytvořil jeden obraz za 5,44 sekundy na jednom GPU H20. Ve vlastním srovnání jej firma označila za 82,86× rychlejší než původní autoregresivní implementaci v režimu eager a za 3,04× rychlejší než FlashAR eager. 7

Důležitý je ovšem kontext: jde o srovnání s vlastním autoregresivním eager základem Xiaomi v uváděné konfiguraci. Neznamená to, že je U0 83× rychlejší než difuzní generátory obrazu, všechny konkurenční systémy pro robotická data nebo špičkové video modely. Reálnou propustnost ovlivňuje hardware, nastavení obrazu, dávkování, zvolená cesta modelem i konkrétní úloha. 17

Repozitář podporuje eager i vLLM backend pro inferenci AR a FlashAR. To ale automaticky neznamená stejnou podporu či výkon pro každou funkci v každém enginu. Týmy pracující s časovými sekvencemi nebo specializovanými multimodálními postupy by měly ověřit konkrétní checkpoint a inferenční trasu, kterou chtějí nasadit. 9

Srovnání s robotickými modely a obecnými generátory

Typ systému	Hlavní účel	Kam zapadá U0
Politiky pro řízení robotů	Převádějí pozorování na akce robota	U0 je nástroj pro tvorbu a rozšiřování dat před tréninkem, nikoli náhrada politiky. Jeho uváděný přínos se týká lepšího tréninku politik při posunu distribuce dat. 67
Roboticky orientované světové či datové modely	Tvoří robotické scény, pozorování, trajektorie nebo data podobná simulaci	Deklarovaným rozdílem U0 je jeden model pro syntézu scén, transfer, editaci obrazu i videoorientované rozvíjení sekvencí. 46
Obecné generátory obrazu	Široké generování a úpravy podle textu či obrázku	U0 zvládá text–obraz i obraz–obraz, Xiaomi ale zdůrazňuje konzistenci pro embodied AI, nikoli obecné tvrzení o absolutně nejlepší kvalitě obrazu. 47
Obecné generátory videa	Filmově či široce zaměřená tvorba videa	Video funkce U0 je zaměřená na robotiku; nelze ji brát jako důkaz převahy nad předními univerzálními video modely v otevřené tvorbě videa. 46

Benchmarky a výsledky na reálném robotu

Xiaomi uvádí první místo ve WorldArena mezi 126 zúčastněnými modely a vyzdvihuje následování instrukcí, kvalitu interakcí a konzistenci mezi více pohledy. Oficiální projektová stránka zároveň hovoří o prvním místě mezi více než 100 modely. 710

V navazující robotice Xiaomi tvrdí, že přidání syntetických dat vytvořených U0 zvýšilo úspěšnost reálného robota mimo známé podmínky z 36,9 % na 63,2 % například při neznámém osvětlení a pozadí. 67

Tyto výsledky podporují hlavně argument pro U0 jako nástroj k rozšiřování syntetických dat. Jde však stále o výsledky uváděné projektem. Samotné pořadí ve WorldArena nedokazuje převahu pro každý typ robota, řídicí politiku, úlohu, simulátor ani obecný benchmark obrazu či videa. Nezávislá reprodukce by vyžadovala přesnou verzi modelu, prompty, konfiguraci vzorkování, hodnoticí protokol, způsob skórování a verze srovnávaných modelů. 710

Otevřenost, stav videa a co ověřit před nasazením

Licence Apache-2.0 pro repozitář, váhy a inferenční nástroje činí U0 poměrně dostupným pro vývojáře s dostatečným výpočetním výkonem. Před použitím je však vhodné prostudovat licenci a dokumentaci pro každý checkpoint a ověřit původ i povolené využití zdrojových a generovaných tréninkových dat. 49

Generování videa patří mezi deklarované schopnosti jednotné architektury. Dodané materiály ale nepotvrzují, že při červencovém startu byly pro všechny funkce stejně úplné a reprodukovatelné checkpointy, akcelerační cesty, tréninková data a hodnoticí postupy. Nejlíp zdokumentované pro praktické nasazení se jeví obrazové a transferové workflow; konkrétní video postup je vhodné ověřit dříve, než na něm tým postaví projekt. 46

Závěr

Význam Xiaomi-Robotics-U0 nespočívá primárně v tom, že by nahradil řízení robotů nebo univerzální modely pro média. Důležitější je otevření velkého jednotného autoregresivního systému pro tvorbu řiditelných syntetických vizuálních dat relevantních pro robotiku. Vlajkový model 38B, následné menší váhy, veřejné nástroje a cesta FlashAR+/vLLM dávají výzkumníkům i robotickým týmům praktický výchozí bod pro rozšiřování dat. 79

Nejdůležitější tvrzení projektu — interní zrychlení o 82,86×, vedení ve WorldArena a nárůst úspěšnosti politiky mimo známé podmínky z 36,9 % na 63,2 % — jsou slibná. Než je ale někdo zobecní, měl by je otestovat na cílovém robotu, vlastním hardwaru, konkrétní zátěži a jasně definovaném hodnoticím protokolu. 710