Xiaomi-Robotics-U0 tuo avoimen maailmanmallin robottidatan tuottamiseen

Julkaisupäivästä on syytä täsmentää yksi asia: Xiaomin täysikokoinen Xiaomi-Robotics-U0 julkaistiin raporttien mukaan 15.7.2026. Syyskuussa projektin repositorio ilmoitti lisäksi 4B- ja sekvenssimallien painoista sekä FSDP-koulutuskoodista. 79

Xiaomi-Robotics-U0 kannattaa nähdä ennen kaikkea avoimena järjestelmänä, jolla tuotetaan hallittavaa synteettistä harjoitusdataa robotiikkaan. Se voi luoda tai muokata robottikeskeisiä visuaalisia tilanteita pyrkien säilyttämään harjoittelulle olennaiset asiat: robotin havainnot, käsittelytilanteen, kamerakulman ja kohtauksen johdonmukaisuuden. Se ei ole robotin toimintapolitiikka eli malli, joka muuntaa havainnot suoraan robotin liikkeiksi. 16

Mitä Xiaomi julkaisi?

U0:n lippulaivaversio on kuvattu 38 miljardin parametrin monimodaaliseksi autoregressiiviseksi maailman perusmalliksi. Avoimeen julkaisuun sisältyvät mallipainot, lähde- ja päättelykoodi, yhdisteltävät asetukset, Gradio-käynnistyspisteet sekä korjaukset autoregressiiviseen ja FlashAR/vLLM-päättelyyn. Repositorion lisenssi on Apache-2.0. 249

Xiaomi listasi syyskuussa myös kolme lisäjulkaisua: Xiaomi-Robotics-U0-4B, Xiaomi-Robotics-U0-Sequence ja Xiaomi-Robotics-U0-4B-Sequence sekä FSDP-koulutuskoodin. U0 tarkoittaa siis jo malliperhettä, ei vain alkuperäistä täysikokoista tarkistuspistettä. 9

Yksi malli useaan robottidatan tehtävään

U0:n keskeinen lupaus on yhdistää useita tehtäviä samaan arkkitehtuuriin. Xiaomin mukaan malli tukee muun muassa:

• tekstistä kuvaksi- ja kuvasta kuvaksi -generointia;
• robotiikan tilanteiden ja ympäristöjen generointia;
• rakenteista kohtausten siirtoa ja kuvamuokkausta;
• videon generointia tai robotin havaintojen ajallista ennustamista. 46

Käytännössä kiinnostavin käyttötapa on datan rikastaminen. Robotin trajektorion tai havainnon pohjalta voidaan vaihdella esimerkiksi taustaa, valaistusta, materiaaleja tai esineitä. Näin syntyy uusia harjoitusesimerkkejä ilman, että jokainen tilanne täytyy kerätä uudelleen fyysisessä ympäristössä. 37

Tämä erottaa U0:n tavallisesta kuvageneraattorista, jonka tavoitteena on ensisijaisesti näyttävä yksittäinen kuva. U0:n tavoite on tuottaa hallittuja variaatioita niin, että robotin kannalta merkityksellinen geometria ja vuorovaikutustilanne säilyvät. 37

Autoregressiivinen ja monimodaalinen rakenne

U0 on autoregressiivinen visuaalinen malli. Diffuusioon perustuvista kuvamalleista poiketen se tuottaa diskreettejä visuaalisia tokeneita järjestyksessä. Raporttien mukaan perustana yhdistyvät EMU3.5 ja Qwen-3-32B, ja tuetuissa tehtävissä käytetään yhteistä diskreettiä visuaalista tokenisaattoria. 47

Autoregressiivinen rakenne sopii luontevasti kuvien, havaintojen ja ajallisten sekvenssien käsittelyyn tokenvirtoina. Haittapuolena on laskennallinen kustannus: korkearesoluutioinen generointi on raskasta, kun tokeneita tuotetaan sarjassa. Tätä varten Xiaomi käyttää erillistä nopeutettua päättelypolkua. 15

Mitä FlashAR+ ja vLLM nopeuttavat?

FlashAR+ on Xiaomin menetelmä visuaalisten tokenien dekoodauksen nopeuttamiseen. Sen sijaan, että jokainen token tuotettaisiin tiukasti yksi kerrallaan, menetelmä käyttää rinnakkaista vastadiagonaalista generointia. Sen päälle liitetty vLLM hallitsee ehdollisia etuliitteitä, eräajoa ja sivutettua KV-välimuistia säilyttäen FlashAR+:n dekoodaussäännön. 19

Xiaomi raportoi, että FlashAR ja vLLM tuottivat yhden kuvan 5,44 sekunnissa yhdellä H20-GPU:lla. Yhtiön mukaan tämä oli 82,86 kertaa nopeampaa kuin sen alkuperäinen AR eager -toteutus ja 3,04 kertaa nopeampaa kuin FlashAR eager. 7

Vertailun rajaus on tärkeä: kyse on Xiaomin omasta autoregressiivisestä eager-vertailutasosta sen raportoimassa asetelmassa. Luku ei osoita, että U0 olisi 83 kertaa nopeampi kuin diffuusiopohjaiset kuvageneraattorit, kaikki muut robottidatan tuotantoputket tai kehittyneimmät videogeneraattorit. Käytännön läpimenoon vaikuttavat muun muassa laitteisto, kuva-asetukset, eräkoko, mallipolku ja työkuorma. 17

Repositoriossa tuetaan sekä eager- että vLLM-taustoja AR- ja FlashAR-päättelylle. Tämä ei kuitenkaan tarkoita, että jokaisella toiminnolla olisi kaikissa päättelymoottoreissa sama tuki tai suorituskyky. Ajallisia tai erityisiä monimodaalisia työnkulkuja käyttävien tiimien kannattaa varmistaa nimenomaan valitsemansa tarkistuspisteen ja päättelyreitin toiminta. 9

Miten U0 suhteutuu robotteihin ja yleisiin generaattoreihin?

Järjestelmätyyppi	Ensisijainen tehtävä	U0:n paikka vertailussa
Robotin toimintapolitiikat	Muuttavat havainnot robotin toimiksi	U0 on datan generointi- ja rikastusmalli politiikan harjoittelun alkupäässä, ei politiikan korvaaja. Sen raportoitu hyöty näkyy politiikan harjoittelussa jakaumasiirtymien tilanteissa. 67
Robottikeskeiset maailman- ja datamallit	Tuottavat robottikohtauksia, havaintoja, trajektoreja tai simulaation kaltaista dataa	U0:n väitetty erottava tekijä on yksi malli, joka kattaa kohtausgeneroinnin, siirron, kuvamuokkauksen ja videoon liittyvän havainnollisen etenemän. 46
Yleiset kuvageneraattorit	Laaja tekstistä kuvaksi- ja kuvamuokkauskäyttö	U0 tukee tekstistä kuvaksi- ja kuvasta kuvaksi -työtä, mutta Xiaomi painottaa ruumiillistuneen toiminnan johdonmukaisuutta eikä esitä laajaa riippumatonta väitettä yleisestä kuvanlaatujohtajuudesta. 47
Yleiset videogeneraattorit	Laajasti soveltuva, usein elokuvallinen videogenerointi	U0:n videotoiminto on robottikeskeinen. Sen perusteella ei voi päätellä, että se päihittäisi johtavat yleiset videomallit avoimen videon laadussa. 46

Vertailutulokset ja oikean robotin tulos

Xiaomi kertoo U0:n sijoittuneen ensimmäiseksi WorldArena-vertailussa, jossa oli raportin mukaan 126 mallia. Yhtiö nostaa esiin ohjeiden noudattamisen, vuorovaikutuksen laadun ja moninäkymäjohdonmukaisuuden. Xiaomin virallinen projektisivu puolestaan ilmoittaa mallin olevan ensimmäinen yli 100 mallin joukossa. 710

Robotiikan jatkokäytössä Xiaomi raportoi, että U0:lla generoidun synteettisen datan lisääminen nosti oikean robotin jakauman ulkopuolisten tilanteiden onnistumisasteen 36,9 prosentista 63,2 prosenttiin. Muutoksiin kuuluivat esimerkiksi ennestään näkemätön valaistus ja taustat. 67

Tulos tukee vahvimmin U0:n käyttämistä synteettisen datan rikastajana. Kyse on silti projektin raportoimista tuloksista. WorldArena-sijoitus ei yksin osoita paremmuutta kaikilla roboteilla, politiikkamalleilla, tehtävillä, simulaattoreilla tai yleisillä kuva- ja videobenchmarkeilla. Riippumaton toisto edellyttäisi täsmällistä malliversiota, kehotteita, näytteenottoasetuksia, arviointiprotokollaa, pisteytystä ja vertailumallien versioita. 710

Avoimuus, videon tila ja käyttöönoton tarkistuslista

Apache-2.0-lisenssi repositoriolle, painoille ja päättelytyökaluille tekee U0:sta verrattain helposti saatavan kehittäjille, joilla on riittävästi laskentakapasiteettia. Toteuttajien on silti syytä tarkistaa jokaisen tarkistuspisteen lisenssi ja dokumentaatio sekä lähdedatan ja generoidun harjoitusdatan alkuperä ja sallittu käyttö. 49

Videogenerointi kuuluu ilmoitettuun yhtenäiseen ominaisuusjoukkoon. Saatavilla oleva julkaisumateriaali ei kuitenkaan osoita, että videotarkistuspisteet, nopeutetut päättelyreitit, harjoitusdata ja arviointimenetelmät olisivat olleet heinäkuun alkujulkaisussa yhtä kattavasti saatavilla tai toistettavissa kaikkien toimintojen osalta. Kuvan ja kohtauksen siirron työnkulut ovat selkeimmin dokumentoitu käyttökohde; videotyönkulku kannattaa varmistaa ennen kuin sen varaan rakentaa tuotantojärjestelmän. 46

Yhteenveto

Xiaomi-Robotics-U0 on merkittävä ennen kaikkea siksi, että se avaa suuren ja yhtenäisen autoregressiivisen putken hallittavan, robottien kannalta relevantin synteettisen visuaalisen datan tuottamiseen. 38B-lippulaiva, myöhemmin julkaistut pienemmät painot, julkiset työkalut sekä FlashAR+/vLLM-reitti tarjoavat tutkijoille ja robotiikkatiimeille käytännöllisen lähtökohdan datan rikastamiseen. 79

Sen keskeisimmät väitteet — 82,86-kertainen sisäinen päättelyvertailu, WorldArena-kärkisija ja OOD-onnistumisen nousu 36,9 prosentista 63,2 prosenttiin — ovat lupaavia. Ne kannattaa kuitenkin testata omalla robotilla, työkuormalla, laitteistolla ja arviointiprotokollalla ennen laajojen johtopäätösten tekemistä. 710