Xiaomi-Robotics-U0: Robotlar İçin Sentetik Eğitim Verisi Üreten Açık Model

Sorudaki tarih iki ayrı güncellemeyi birleştiriyor gibi görünüyor. Xiaomi-Robotics-U0’nun tam ölçekli sürümü 15 Temmuz 2026 tarihinde duyuruldu. Eylül ayında ise proje deposuna ek 4B ve dizi modeli ağırlıklarıyla FSDP eğitim kodu eklendi. 79

Xiaomi-Robotics-U0, en doğru ifadeyle, robotik için kontrol edilebilir sentetik veri üreten açık bir üretken sistem. Robot kamerasından gelen gözlem, nesneyle etkileşim bağlamı, kamera açısı ve sahne tutarlılığı gibi eğitim açısından kritik unsurları korumaya çalışırken robot merkezli görsel senaryolar oluşturabiliyor veya değiştirebiliyor. Kendisi, görüntüden doğrudan robot eylemi üreten bir kontrol politikası değil. 16

Xiaomi tam olarak neyi açık kaynak yaptı?

Amiral gemisi U0, 38 milyar parametreli, çok modlu ve otoregresif bir dünya temel modeli olarak tanımlanıyor. Açık sürümde model ağırlıkları, kaynak ve çıkarım kodu, birleştirilebilir yapılandırmalar, Gradio giriş noktaları ile otoregresif ve FlashAR/vLLM çıkarımı için yamalar bulunuyor. GitHub deposu Apache-2.0 lisansını kullanıyor. 249

Xiaomi, Eylül 2026’da üç ek sürümü de listeledi: Xiaomi-Robotics-U0-4B, Xiaomi-Robotics-U0-Sequence ve Xiaomi-Robotics-U0-4B-Sequence. Buna FSDP eğitim kodu da eşlik etti. Dolayısıyla U0 artık yalnızca ilk büyük kontrol noktasını değil, gelişmekte olan bir model ailesini ifade ediyor. 9

Tek mimaride birden fazla robotik veri görevi

U0’ın temel vaadi, farklı üretim işlerini tek bir mimaride toplamak. Xiaomi’ye göre model şunları destekliyor:

• metinden görsele ve görselden görsele üretim;
• robotik/bedensel (embodied) sahne üretimi;
• yapılandırılmış sahne aktarımı ve düzenleme;
• video üretimi veya robot gözlemi devamı (rollout). 46

En ayırt edici kullanım alanı ise veri artırma. Bir robotun yörüngesinden ya da gözleminden başlayıp arka plan, ışık, malzeme veya nesneleri değiştirmek; böylece her çeşitlilik ihtiyacı için yeniden fiziksel veri toplama çalışması yürütmeden yeni eğitim örnekleri oluşturmak amaçlanıyor. 37

Bu yaklaşım U0’ı, tek başına etkileyici bir görsel üretmeye odaklanan geleneksel görüntü üreticilerinden ayırıyor. Buradaki hedef; robot açısından anlamlı geometriyi ve etkileşim bağlamını koruyarak kontrollü çeşitlilik sağlamak. 37

Otoregresif mimari ne anlama geliyor?

U0, otoregresif bir görsel model. Difüzyon tabanlı görüntü sistemlerinde yaygın olan aşamalı gürültü giderme yöntemi yerine, ayrık görsel belirteçleri (token) sıralı biçimde üretiyor. Haberlerde altyapının EMU3.5 ile Qwen-3-32B’yi birleştirdiği ve desteklenen görevlerde ortak bir ayrık görsel belirteçleyici kullandığı belirtiliyor. 47

Bu yöntem, görüntüleri, robot gözlemlerini ve zamansal dizileri tek bir belirteç akışı gibi ele almayı kolaylaştırabilir. Ancak yüksek çözünürlüklü üretim, belirteçlerin sırayla oluşturulması gerektiğinden hesaplama açısından maliyetli. Xiaomi’nin özel çıkarım yolunu devreye sokmasının nedeni de bu sınırlama. 15

FlashAR+ ve vLLM: “83 kat hızlı” iddiası neyi kapsıyor?

FlashAR+, görsel belirteç çözümlemesini hızlandırmak için Xiaomi’nin geliştirdiği yöntem. Her görsel belirtecini katı biçimde tek tek üretmek yerine, paralel anti-diyagonal üretim kullanıyor. Bunun üzerine entegre edilen vLLM ise koşullu önekleri, toplu çalıştırmayı ve sayfalanmış KV önbelleğini yönetirken FlashAR+ çözümleme kuralını koruyor. 19

Xiaomi, FlashAR ile vLLM kombinasyonunun tek bir H20 GPU üzerinde bir görüntüyü 5,44 saniyede ürettiğini bildirdi. Şirket bunu, kendi özgün AR eager uygulamasına göre 82,86 kat, FlashAR eager’a göre ise 3,04 kat daha hızlı olarak nitelendirdi. 7

Buradaki karşılaştırma şartı önemli: Bu ölçüm, Xiaomi’nin bildirdiği kurulumda kendi otoregresif eager temel çizgisine karşı yapıldı. U0’ın difüzyon tabanlı tüm görüntü üreticilerinden, diğer robotik veri hatlarından veya önde gelen video modellerinden 83 kat hızlı olduğu anlamına gelmiyor. Donanım, görsel ayarları, toplu işlem boyutu, model yolu ve iş yükü gerçek çıktı hızını değiştirebilir. 17

Depo, AR ve FlashAR çıkarımı için hem eager hem vLLM arka uçlarını destekliyor. Ancak bu, her kabiliyetin her motor üzerinde aynı kapsamda veya aynı performansla çalışacağı anlamına gelmiyor. Zamansal ya da özel çok modlu iş akışları planlayan ekiplerin, kullanacakları kontrol noktası ve çıkarım yolunu doğrudan doğrulaması gerekir. 9

Robot modelleri ve genel üretim araçlarıyla karşılaştırma

Sistem türü	Temel amaç	U0’ın konumu
Robot politikaları	Gözlemleri robot eylemlerine dönüştürmek	U0, politikanın yerine geçen bir model değil; politika eğitiminden önce kullanılan veri üretim ve artırma katmanıdır. Bildirilen aşağı akış faydası, dağılım kaymalarında politika eğitimini iyileştirmesidir. 67
Robot odaklı dünya veya veri modelleri	Robot sahneleri, gözlemleri, yörüngeleri ya da simülasyon benzeri veri üretmek	U0’ın öne çıkan iddiası; sahne sentezi, aktarım, görsel düzenleme ve video odaklı rollout işlerini tek modelde birleştirmesi. 46
Genel görüntü üreticileri	Geniş kapsamlı metin/görsel üretimi ve düzenleme	U0 metinden görsele ve görselden görsele üretimi destekliyor; ancak Xiaomi, genel görüntü kalitesinde mutlak liderlik iddiası yerine bedensel tutarlılığı vurguluyor. 47
Genel video üreticileri	Sinematik ve geniş amaçlı video üretimi	U0’ın video özelliği robot odaklı. Bu durum, modelin açık uçlu video kalitesinde önde gelen genel video modellerini geçtiğini kanıtlamaz. 46

Benchmark ve gerçek robot sonuçları

Xiaomi, U0’ın 126 modelin yer aldığı bildirilen değerlendirmede WorldArena lideri olduğunu; özellikle talimat takibi, etkileşim kalitesi ve çoklu görünüm tutarlılığı alanlarını öne çıkardığını söylüyor. Xiaomi’nin resmi proje sayfası da modelin 100’den fazla model arasında birinci sırada yer aldığını belirtiyor. 710

Robotik tarafında şirket, U0 tarafından üretilen sentetik verinin eklenmesiyle gerçek robotlarda dağılım dışı (OOD) başarı oranının; tanıdık olmayan ışık ve arka plan değişimleri gibi koşullarda %36,9’dan %63,2’ye yükseldiğini bildiriyor. 67

Bu sonuçlar, U0 için en güçlü kullanım gerekçesinin sentetik veri artırma olduğunu gösteriyor. Ancak bunlar proje tarafından açıklanan sonuçlar. Tek başına bir WorldArena sıralaması; her robot, politika, görev, simülatör veya genel görüntü/video ölçütünde üstünlüğü kanıtlamaz. Bağımsız bir tekrar için tam model sürümü, komutlar, örnekleme ayarları, değerlendirme protokolü, puanlama düzeni ve karşılaştırılan model sürümleri gerekir. 710

Açıklık, video durumu ve uygulamaya geçmeden önce kontrol edilmesi gerekenler

Depo, ağırlıklar ve çıkarım araçları için Apache-2.0 lisansı, yeterli hesaplama kaynağına sahip geliştiriciler açısından U0’ı görece erişilebilir kılıyor. Yine de uygulayıcılar her kontrol noktasının lisansını ve model belgelerini; ayrıca kaynak verilerin ve üretilen eğitim verilerinin kökenini ve izin verilen kullanım koşullarını incelemeli. 49

Video üretimi, belirtilen birleşik yetenek setinin bir parçası. Fakat mevcut yayımlama materyalleri, ilk temmuz lansmanında video kontrol noktalarının, hızlandırma yollarının, eğitim verisinin ve değerlendirme prosedürlerinin bütün işlevler için aynı ölçüde eksiksiz ve yeniden üretilebilir olduğunu ortaya koymuyor. Bu nedenle görüntü ve sahne aktarımı iş akışları en net belgelenmiş kullanım alanları olarak görülmeli; video tabanlı bir sistem kurulmadan önce seçilen iş akışı özellikle doğrulanmalı. 46

Sonuç

Xiaomi-Robotics-U0’ın önemi, robot kontrolünün veya genel amaçlı medya modellerinin yerini alması değil; kontrol edilebilir ve robotla ilgili sentetik görsel veri üretimi için büyük, birleşik ve otoregresif bir hattı açık hale getirmesi. 38B’lik amiral gemisi model, sonradan eklenen daha küçük ağırlıklar, herkese açık araçlar ve FlashAR+/vLLM yolu; araştırmacılar ile robotik ekipleri için veri artırmada somut bir başlangıç noktası sunuyor. 79

Bununla birlikte 82,86 katlık kurum içi çıkarım karşılaştırması, WorldArena liderliği ve OOD politika başarısının %36,9’dan %63,2’ye yükselmesi gibi en önemli iddialar; genelleştirilmeden önce hedef robot, iş yükü, donanım ve değerlendirme protokolü üzerinde test edilmeli. 710