Xiaomi-Robotics-U0: mô hình thế giới 38B mở để tạo dữ liệu huấn luyện robot

Câu hỏi gốc dường như đã gộp hai mốc cập nhật. Bản phát hành quy mô đầy đủ của Xiaomi-Robotics-U0 được đưa tin vào ngày 15/7/2026. Sang tháng 9, kho mã nguồn của dự án công bố thêm trọng số 4B, các mô hình chuỗi (Sequence) và mã huấn luyện FSDP. 79

Có thể hiểu Xiaomi-Robotics-U0 là một hệ thống tạo dữ liệu tổng hợp có thể kiểm soát cho robot. Nó sinh mới hoặc biến đổi các cảnh thị giác lấy robot làm trung tâm, đồng thời hướng đến việc giữ lại những yếu tố quan trọng cho huấn luyện, như quan sát của robot, bối cảnh thao tác, góc camera và tính nhất quán của cảnh. Đây không phải là mô hình chính sách trực tiếp biến quan sát thành hành động của robot. 16

Xiaomi đã công bố những gì?

Mô hình U0 chủ lực được mô tả là một mô hình nền tảng thế giới đa phương thức, tự hồi quy, 38 tỷ tham số. Bản phát hành mở gồm trọng số mô hình, mã nguồn và mã suy luận, cấu hình có thể ghép thành phần, điểm vào Gradio, cùng các bản vá suy luận tự hồi quy và FlashAR/vLLM. Kho mã nguồn dùng giấy phép Apache-2.0. 249

Trong tháng 9, Xiaomi liệt kê thêm ba bản phát hành: Xiaomi-Robotics-U0-4B, Xiaomi-Robotics-U0-Sequence và Xiaomi-Robotics-U0-4B-Sequence, kèm mã huấn luyện FSDP. Vì vậy, “U0” hiện là một họ mô hình đang phát triển, thay vì chỉ là checkpoint 38B ban đầu. 9

Một kiến trúc cho nhiều tác vụ dữ liệu hiện thân

Điểm nhấn của U0 là sự hợp nhất. Xiaomi cho biết một kiến trúc có thể đảm nhiệm:

• sinh ảnh từ văn bản và từ ảnh;
• sinh cảnh hiện thân dành cho robot;
• chuyển đổi, chỉnh sửa cảnh có cấu trúc;
• sinh video hoặc rollout chuỗi quan sát của robot. 46

Ứng dụng đặc trưng nhất là tăng cường dữ liệu: bắt đầu từ một quỹ đạo hay quan sát của robot, rồi thay đổi nền, ánh sáng, vật liệu hoặc vật thể để tạo thêm ví dụ huấn luyện mà không cần lặp lại toàn bộ quá trình thu thập ngoài đời thực. 37

Đó là khác biệt so với một trình sinh ảnh thông thường, vốn tối ưu trước hết cho một ảnh độc lập bắt mắt. Giá trị mà Xiaomi nhấn mạnh ở U0 là tạo biến thể có kiểm soát nhưng vẫn giữ được hình học và bối cảnh tương tác liên quan đến robot. 37

Tự hồi quy và đa phương thức: vì sao kiến trúc này đáng chú ý?

U0 là mô hình thị giác tự hồi quy. Thay vì dùng quá trình khử nhiễu lặp — cách thường gắn với các hệ thống sinh ảnh khuếch tán (diffusion) — nó sinh tuần tự các token thị giác rời rạc. Các báo cáo mô tả nền tảng này kết hợp EMU3.5 với Qwen-3-32B và dùng một bộ mã hóa token thị giác rời rạc chung cho các tác vụ được hỗ trợ. 47

Cách tiếp cận tự hồi quy phù hợp để xem ảnh, quan sát và chuỗi thời gian như những dòng token. Đổi lại, sinh ảnh độ phân giải cao sẽ tốn tài nguyên nếu token phải được tạo nối tiếp. Đây là lý do Xiaomi ghép mô hình với một tuyến suy luận tăng tốc chuyên biệt. 15

FlashAR+ và vLLM: con số tăng tốc thực sự nói lên điều gì?

FlashAR+ là phương pháp Xiaomi dùng để tăng tốc giải mã token thị giác. Thay vì tạo từng token hoàn toàn tuần tự, phương pháp này tạo song song theo các nhóm đường chéo ngược. vLLM được tích hợp phía trên để xử lý tiền tố điều kiện, thực thi theo lô và quản lý paged KV-cache, trong khi vẫn giữ quy tắc giải mã của FlashAR+. 19

Xiaomi báo cáo rằng FlashAR kết hợp vLLM tạo một ảnh trong 5,44 giây trên một GPU H20, tương đương nhanh hơn 82,86 lần so với bản triển khai AR eager gốc của họ và nhanh hơn 3,04 lần so với FlashAR eager. 7

Điều kiện so sánh rất quan trọng: đây là kết quả đối chiếu với baseline tự hồi quy eager của chính Xiaomi, trong cấu hình mà họ công bố. Nó không có nghĩa U0 nhanh hơn 83 lần so với mọi trình sinh ảnh diffusion, mọi quy trình tạo dữ liệu robot cạnh tranh hay các hệ thống video tiên phong. Phần cứng, thiết lập ảnh, kích thước lô, tuyến mô hình và loại tác vụ đều có thể làm thay đổi thông lượng thực tế. 17

Kho mã nguồn hỗ trợ backend eager và vLLM cho cả suy luận AR lẫn FlashAR. Tuy nhiên, điều đó không đồng nghĩa mọi khả năng đều có mức hỗ trợ hoặc hiệu năng giống hệt nhau trên mọi engine. Các nhóm làm việc với chuỗi thời gian hay quy trình đa phương thức chuyên biệt nên thử nghiệm đúng checkpoint và tuyến suy luận dự kiến sử dụng. 9

So với mô hình robot và trình sinh ảnh/video phổ dụng

Loại hệ thống	Mục đích chính	U0 đứng ở đâu?
Chính sách robot	Chuyển quan sát thành hành động robot	U0 là mô hình sinh và tăng cường dữ liệu ở thượng nguồn, không thay thế chính sách. Giá trị hạ nguồn mà Xiaomi báo cáo là cải thiện việc huấn luyện chính sách khi phân phối dữ liệu thay đổi. 67
Mô hình thế giới hoặc mô hình dữ liệu lấy robot làm trung tâm	Tạo cảnh, quan sát, quỹ đạo hoặc dữ liệu gần với mô phỏng cho robot	Điểm khác biệt được Xiaomi nêu là một mô hình duy nhất bao trùm tổng hợp cảnh, chuyển đổi cảnh, chỉnh sửa ảnh và rollout hướng video. 46
Trình sinh ảnh phổ dụng	Sáng tạo, chỉnh sửa ảnh từ văn bản/ảnh cho nhiều mục đích	U0 hỗ trợ text-to-image và image-to-image, nhưng Xiaomi tập trung vào tính nhất quán hiện thân, thay vì đưa ra tuyên bố rộng rằng mô hình dẫn đầu toàn diện về chất lượng ảnh. 47
Trình sinh video phổ dụng	Sinh video rộng mục đích, thiên về tính điện ảnh	Khả năng video của U0 hướng tới robot; không nên coi đây là bằng chứng rằng nó vượt các mô hình video phổ dụng hàng đầu ở chất lượng video mở. 46

Tuyên bố benchmark và kết quả trên robot thật

Xiaomi cho biết U0 xếp hạng nhất trên WorldArena, với 126 mô hình tham gia trong đánh giá được báo cáo, đồng thời nhấn mạnh khả năng tuân theo chỉ dẫn, chất lượng tương tác và tính nhất quán đa góc nhìn. Trang dự án chính thức của Xiaomi cũng nói mô hình đứng đầu trong hơn 100 mô hình. 710

Ở khâu robot học từ dữ liệu, Xiaomi báo cáo việc bổ sung dữ liệu tổng hợp do U0 tạo ra đã nâng tỷ lệ thành công ngoài phân phối (OOD) trên robot thật từ 36,9% lên 63,2% khi gặp thay đổi như ánh sáng hoặc bối cảnh xa lạ. 67

Các số liệu này là lập luận mạnh nhất cho U0 trong vai trò tăng cường dữ liệu tổng hợp. Tuy vậy, đây vẫn là các kết quả do dự án công bố. Một thứ hạng WorldArena không tự nó chứng minh ưu thế trên mọi robot, chính sách, tác vụ, trình mô phỏng hay benchmark ảnh/video phổ dụng. Muốn tái lập độc lập cần có phiên bản mô hình chính xác, prompt, cấu hình lấy mẫu, giao thức đánh giá, thiết lập chấm điểm và phiên bản các mô hình đối chứng. 710

Độ mở, tình trạng video và những điểm cần kiểm tra trước khi áp dụng

Giấy phép Apache-2.0 dành cho kho mã nguồn, trọng số và công cụ suy luận khiến U0 khá dễ tiếp cận với các nhà phát triển có đủ năng lực tính toán. Dù vậy, bên triển khai vẫn nên kiểm tra giấy phép và tài liệu mô hình cho từng checkpoint, cũng như xem xét nguồn gốc và phạm vi sử dụng được phép của cả dữ liệu đầu vào lẫn dữ liệu huấn luyện được sinh ra. 49

Sinh video nằm trong tập khả năng thống nhất mà dự án nêu ra. Nhưng các tài liệu phát hành được cung cấp chưa xác lập rằng checkpoint video, tuyến tăng tốc, dữ liệu huấn luyện và quy trình đánh giá đều hoàn thiện, sẵn sàng tái lập ngang nhau cho mọi chức năng ngay ở đợt ra mắt tháng 7. Các quy trình ảnh và chuyển đổi cảnh là trọng tâm triển khai được ghi nhận rõ hơn; cần xác minh riêng quy trình video trước khi xây dựng hệ thống phụ thuộc vào nó. 46

Kết luận

Ý nghĩa của Xiaomi-Robotics-U0 không nằm ở việc thay thế điều khiển robot hay các mô hình truyền thông phổ dụng, mà ở việc mở một quy trình tự hồi quy lớn, thống nhất để tạo dữ liệu thị giác tổng hợp có thể kiểm soát và phù hợp với robot. Mô hình chủ lực 38B, các trọng số nhỏ hơn ra mắt sau đó, công cụ công khai cùng tuyến FlashAR+/vLLM đem lại một điểm khởi đầu thực tế cho nghiên cứu và tăng cường dữ liệu robot. 79

Các tuyên bố đáng chú ý nhất — so sánh tăng tốc nội bộ 82,86 lần, vị trí dẫn đầu WorldArena và mức tăng tỷ lệ thành công chính sách OOD từ 36,9% lên 63,2% — đều đầy hứa hẹn. Tuy nhiên, chúng nên được kiểm thử với robot, khối lượng công việc, phần cứng và giao thức đánh giá mục tiêu trước khi được khái quát hóa. 710