Xiaomi-Robotics-U0 เปิดอะไรบ้าง และสำคัญต่อการฝึกหุ่นยนต์อย่างไร

วันที่ในคำถามเดิมน่าจะปะปนระหว่างการอัปเดตสองช่วง: Xiaomi เปิดตัว Xiaomi-Robotics-U0 รุ่นเต็มเมื่อวันที่ 15 กรกฎาคม 2026 ขณะที่ในเดือนกันยายน ที่เก็บโครงการได้ประกาศน้ำหนักโมเดลรุ่น 4B และรุ่น Sequence เพิ่มเติม พร้อมโค้ดฝึกแบบ FSDP 79

ประเด็นสำคัญของ Xiaomi-Robotics-U0 ไม่ใช่การทำให้หุ่นยนต์ “ตัดสินใจลงมือทำ” ได้แทนระบบควบคุม แต่คือการสร้างโรงงานผลิต ข้อมูลภาพสังเคราะห์ที่ควบคุมได้สำหรับฝึกหุ่นยนต์ โมเดลสามารถสร้างหรือปรับเปลี่ยนฉากจากมุมมองของหุ่นยนต์ โดยมุ่งรักษาองค์ประกอบที่จำเป็นต่อการฝึก เช่น ภาพที่หุ่นยนต์มองเห็น บริบทการหยิบจับ มุมกล้อง และความต่อเนื่องของฉาก 16

Xiaomi เปิดอะไรให้ใช้งานบ้าง

รุ่นหลักของ U0 ถูกระบุว่าเป็น โมเดลโลกพื้นฐานแบบมัลติโหมดและออโตรีเกรสซีฟ ขนาด 38,000 ล้านพารามิเตอร์ ชุดโอเพนซอร์สมีน้ำหนักโมเดล โค้ดต้นฉบับและโค้ดอนุมาน คอนฟิกที่นำมาประกอบใช้ได้ จุดเริ่มต้น Gradio และแพตช์สำหรับอนุมานแบบออโตรีเกรสซีฟกับ FlashAR/vLLM โดยที่เก็บโครงการใช้สัญญาอนุญาต Apache-2.0 249

ต่อมา Xiaomi ระบุการออกน้ำหนักเพิ่มในเดือนกันยายน 3 ชุด ได้แก่ Xiaomi-Robotics-U0-4B, Xiaomi-Robotics-U0-Sequence และ Xiaomi-Robotics-U0-4B-Sequence พร้อมโค้ดฝึก FSDP จึงอาจมอง U0 ได้ว่าเริ่มพัฒนาเป็นตระกูลโมเดล ไม่ได้มีเพียงเช็กพอยต์ 38B รุ่นแรกเท่านั้น 9

โมเดลเดียว ครอบคลุมหลายงานข้อมูลสำหรับหุ่นยนต์

แนวคิดหลักของ U0 คือรวมงานผลิตข้อมูลหลายรูปแบบไว้ในสถาปัตยกรรมเดียว Xiaomi ระบุว่าโมเดลรองรับ:

• การสร้างภาพจากข้อความ และการสร้างภาพจากภาพ;
• การสร้างฉากสำหรับงานหุ่นยนต์;
• การถ่ายโอนและแก้ไขฉากอย่างมีโครงสร้าง;
• การสร้างวิดีโอ หรือการจำลองลำดับภาพสังเกตการณ์ของหุ่นยนต์ต่อไปข้างหน้า (rollout) 46

กรณีใช้งานที่โดดเด่นที่สุดคือ การเพิ่มความหลากหลายให้ข้อมูลฝึก ตัวอย่างเช่น เริ่มจากเส้นทางการเคลื่อนไหวหรือภาพสังเกตการณ์จริงของหุ่นยนต์ แล้วปรับฉากหลัง แสง วัสดุ หรือวัตถุ เพื่อให้ได้ตัวอย่างฝึกชุดใหม่ โดยไม่ต้องกลับไปถ่ายเก็บข้อมูลจริงทุกครั้ง 37

จุดนี้ต่างจากโมเดลสร้างภาพทั่วไปที่มักเน้นภาพเดี่ยวให้ดูน่าสนใจเป็นหลัก U0 ถูกวางตำแหน่งให้สร้างความแปรผันแบบควบคุมได้ แต่ยังคงเรขาคณิตและบริบทการปฏิสัมพันธ์ที่เกี่ยวข้องกับหุ่นยนต์ 37

สถาปัตยกรรมออโตรีเกรสซีฟและการทำงานแบบมัลติโหมด

U0 เป็นโมเดลภาพแบบ ออโตรีเกรสซีฟ กล่าวคือ สร้างโทเคนภาพแบบเรียงลำดับ แทนกระบวนการลดสัญญาณรบกวนทีละรอบแบบ diffusion ซึ่งพบได้บ่อยในระบบสร้างภาพสมัยใหม่ รายงานระบุว่าโมเดลฐานผสาน EMU3.5 กับ Qwen-3-32B และใช้ตัวแปลงภาพเป็นโทเคนแบบไม่ต่อเนื่องร่วมกันในงานที่รองรับ 47

ข้อดีของแนวทางนี้คือสามารถมองภาพ ภาพสังเกตการณ์ และลำดับตามเวลาเป็นกระแสโทเคนเดียวกันได้อย่างเป็นธรรมชาติ แต่เมื่อสร้างภาพความละเอียดสูง การต้องสร้างโทเคนตามลำดับย่อมใช้ทรัพยากรมาก นี่คือเหตุผลที่ Xiaomi เพิ่มเส้นทางอนุมานเฉพาะทางเข้ามา 15

FlashAR+ และ vLLM: ตัวเลขความเร็วหมายถึงอะไร

FlashAR+ คือวิธีเร่งการถอดรหัสโทเคนภาพของ Xiaomi โดยสร้างแบบขนานตามกลุ่มแนวทแยงย้อนกลับ แทนการปล่อยโทเคนภาพทุกตัวทีละตัวอย่างเคร่งครัด ส่วน vLLM ถูกวางทับบนระบบนี้เพื่อจัดการ conditional prefix การทำแบตช์ และ paged KV-cache โดยยังคงกติกาการถอดรหัสของ FlashAR+ 19

Xiaomi รายงานว่า FlashAR ร่วมกับ vLLM สร้างภาพหนึ่งภาพได้ใน 5.44 วินาทีบน GPU H20 หนึ่งตัว หรือเร็วกว่า implementation ออโตรีเกรสซีฟ eager เดิมของบริษัท 82.86 เท่า และเร็วกว่า FlashAR eager 3.04 เท่า 7

อย่างไรก็ดี ตัวเลขนี้ต้องอ่านให้ตรงบริบท: เป็นการเปรียบเทียบกับ baseline แบบออโตรีเกรสซีฟของ Xiaomi ภายใต้ชุดการทดสอบที่บริษัทระบุ ไม่ได้หมายความว่า U0 เร็วกว่าโมเดล diffusion ผู้สร้างภาพรายอื่น หรือระบบสร้างข้อมูลหุ่นยนต์ทั้งหมด 83 เท่า ความเร็วจริงยังขึ้นกับฮาร์ดแวร์ ความละเอียดภาพ การตั้งค่าการสุ่ม ขนาดแบตช์ และลักษณะงาน 17

ที่เก็บโครงการรองรับทั้ง eager และ vLLM สำหรับการอนุมานแบบ AR และ FlashAR แต่ไม่ได้รับประกันว่าทุกความสามารถจะรองรับหรือให้ประสิทธิภาพเท่ากันในทุกเอนจิน ทีมที่ทำงานกับลำดับเวลา วิดีโอ หรืองานมัลติโหมดเฉพาะทาง จึงควรตรวจสอบเช็กพอยต์และเส้นทางอนุมานที่จะใช้จริง 9

U0 อยู่ตรงไหนเมื่อเทียบกับโมเดลประเภทอื่น

ประเภทระบบ	เป้าหมายหลัก	ตำแหน่งของ U0
นโยบายหุ่นยนต์	แปลงภาพหรือข้อมูลสังเกตการณ์เป็นคำสั่งการกระทำ	U0 เป็นโมเดลผลิตและเพิ่มข้อมูลฝึกที่อยู่ต้นน้ำ ไม่ใช่ตัวแทนนโยบายควบคุมโดยตรง คุณค่าปลายทางที่รายงานคือช่วยให้การฝึกนโยบายทนต่อความเปลี่ยนแปลงของสภาพแวดล้อมมากขึ้น 67
โมเดลโลกหรือโมเดลข้อมูลเฉพาะหุ่นยนต์	สร้างฉาก ภาพสังเกตการณ์ เส้นทาง หรือข้อมูลคล้ายการจำลอง	จุดต่างที่ Xiaomi อ้างคือโมเดลเดียวทำได้ทั้งการสังเคราะห์ฉาก การถ่ายโอนฉาก การแก้ไขภาพ และ rollout เชิงวิดีโอ 46
โมเดลสร้างภาพทั่วไป	สร้างและแก้ไขภาพจากข้อความหรือภาพอย่างกว้างขวาง	U0 ทำงาน text-to-image และ image-to-image ได้เช่นกัน แต่ Xiaomi เน้นความสอดคล้องสำหรับบริบทหุ่นยนต์ ไม่ได้พิสูจน์โดยตรงว่าเหนือกว่าในคุณภาพภาพทั่วไปทุกด้าน 47
โมเดลสร้างวิดีโอทั่วไป	สร้างวิดีโอหลากหลายรูปแบบ รวมถึงงานเชิงภาพยนตร์	ความสามารถวิดีโอของ U0 เน้นมุมมองและสถานการณ์หุ่นยนต์ จึงไม่ควรตีความว่าเป็นหลักฐานว่าเหนือกว่าโมเดลวิดีโอชั้นนำสำหรับงานวิดีโอปลายเปิด 46

ผลทดสอบและผลกับหุ่นยนต์จริงที่ Xiaomi รายงาน

Xiaomi ระบุว่า U0 ได้อันดับหนึ่งบน WorldArena จาก 126 โมเดลที่เข้าร่วมในการประเมินที่รายงาน และชูจุดเด่นด้านการทำตามคำสั่ง คุณภาพการปฏิสัมพันธ์ และความสอดคล้องของหลายมุมมอง ขณะที่หน้าโครงการทางการระบุว่าโมเดลอยู่อันดับหนึ่งจากมากกว่า 100 โมเดล 710

สำหรับการใช้งานปลายทางด้านหุ่นยนต์ Xiaomi รายงานว่าการเพิ่มข้อมูลสังเคราะห์จาก U0 ทำให้อัตราความสำเร็จของหุ่นยนต์จริงในสถานการณ์นอกการกระจายข้อมูลเดิม (out-of-distribution หรือ OOD) เพิ่มจาก 36.9% เป็น 63.2% ภายใต้ความเปลี่ยนแปลง เช่น แสงหรือฉากหลังที่ไม่คุ้นเคย 67

ผลลัพธ์เหล่านี้สนับสนุนกรณีใช้งาน U0 ในฐานะเครื่องมือเพิ่มข้อมูลสังเคราะห์ได้อย่างน่าสนใจ แต่ยังเป็นผลที่โครงการรายงานเอง อันดับใน WorldArena เพียงอย่างเดียวไม่ได้ยืนยันว่าโมเดลเหนือกว่าในทุกหุ่นยนต์ ทุกนโยบายควบคุม ทุกงาน ทุกซิมูเลเตอร์ หรือทุกเกณฑ์วัดภาพและวิดีโอ การทำซ้ำโดยอิสระต้องมีรายละเอียดของรุ่นโมเดล พรอมป์ต์ การตั้งค่าการสุ่ม โปรโตคอลประเมิน การให้คะแนน และเวอร์ชันของโมเดลที่ใช้เปรียบเทียบ 710

สถานะโอเพนซอร์ส วิดีโอ และสิ่งที่ควรตรวจสอบก่อนใช้งาน

สัญญาอนุญาต Apache-2.0 สำหรับที่เก็บโครงการ น้ำหนักโมเดล และเครื่องมืออนุมาน ทำให้ U0 เข้าถึงได้ค่อนข้างมากสำหรับนักพัฒนาและทีมวิจัยที่มีทรัพยากรประมวลผลเพียงพอ ถึงอย่างนั้น ผู้ใช้งานควรตรวจเอกสารของแต่ละเช็กพอยต์ เงื่อนไขใบอนุญาต และที่มาหรือขอบเขตการใช้ได้ของทั้งข้อมูลต้นทางและข้อมูลฝึกที่สร้างขึ้น 49

แม้การสร้างวิดีโอเป็นหนึ่งในความสามารถที่ระบุไว้ แต่เอกสารที่มีไม่ได้ยืนยันว่าตั้งแต่การเปิดตัวเดือนกรกฎาคม เช็กพอยต์วิดีโอ เส้นทางเร่งความเร็ว ข้อมูลฝึก และขั้นตอนประเมินของทุกฟังก์ชันมีความสมบูรณ์และทำซ้ำได้เท่ากัน จึงควรมองเวิร์กโฟลว์ภาพและการถ่ายโอนฉากเป็นส่วนที่มีเอกสารรองรับชัดกว่า และตรวจสอบเวิร์กโฟลว์วิดีโอเฉพาะที่จะใช้ก่อนนำไปพึ่งพาในระบบจริง 46

สรุป

ความสำคัญของ Xiaomi-Robotics-U0 ไม่ได้อยู่ที่การแทนที่ระบบควบคุมหุ่นยนต์หรือโมเดลสื่อทั่วไป แต่อยู่ที่การเปิดให้ใช้งานไปป์ไลน์ออโตรีเกรสซีฟขนาดใหญ่แบบรวมศูนย์ สำหรับผลิต ข้อมูลภาพสังเคราะห์ที่ควบคุมได้และมีบริบทต่อหุ่นยนต์ รุ่นหลัก 38B รุ่นขนาดเล็กที่ตามมา เครื่องมือสาธารณะ และเส้นทาง FlashAR+/vLLM ช่วยให้ทีมวิจัยและวิศวกรรมมีจุดเริ่มต้นที่ใช้งานได้จริงสำหรับการเพิ่มข้อมูลฝึก 79

ส่วนคำกล่าวอ้างที่สำคัญที่สุด ได้แก่ ความเร็วเพิ่ม 82.86 เท่าจากการเปรียบเทียบภายใน อันดับ WorldArena และอัตราสำเร็จ OOD ที่เพิ่มจาก 36.9% เป็น 63.2% ล้วนเป็นสัญญาณเชิงบวก แต่ควรทดสอบกับหุ่นยนต์ ภาระงาน ฮาร์ดแวร์ และโปรโตคอลประเมินของตนเองก่อนสรุปผลในวงกว้าง 710