小米开源 Xiaomi-Robotics-U0：38B 具身世界模型如何生成机器人训练数据

提问中的日期混合了两次更新：380 亿参数的 Xiaomi-Robotics-U0 完整版在 2026 年 7 月 15 日被报道发布；到 9 月，项目仓库又宣布新增 4B 和序列模型权重，以及 FSDP 训练代码。79

Xiaomi-Robotics-U0 的核心定位，不是让机器人“直接学会行动”，而是为具身智能批量制造可控的合成训练数据。它可以生成或改造以机器人为中心的视觉场景，并尽量维持对训练重要的内容，例如机器人观测、抓取或操作上下文、相机视角和场景一致性。换句话说，它位于机器人策略模型的上游：先扩充数据，再用于训练策略。16

开源了什么

旗舰版 U0 被描述为一款 380 亿参数的多模态自回归世界基础模型。开源内容包括模型权重、源码与推理代码、可组合配置、Gradio 交互入口，以及自回归（AR）和 FlashAR／vLLM 推理补丁。项目仓库采用 Apache-2.0 许可证。249

此后的 9 月更新又列出了三个权重：Xiaomi-Robotics-U0-4B、Xiaomi-Robotics-U0-Sequence 和 Xiaomi-Robotics-U0-4B-Sequence，同时开放 FSDP 训练代码。这意味着“U0”如今更像一个持续扩展的模型家族，而不只是最初的 38B 检查点。9

一个模型覆盖多类具身数据任务

小米的主张是用统一架构整合多种能力，包括：

• 文生图与图生图；
• 具身场景生成；
• 结构化场景迁移与图像编辑；
• 视频生成，或面向机器人观测的时序推演（rollout）。46

其中最有辨识度的应用是数据扩增。团队可从一段真实机器人轨迹或一次观测出发，改变背景、光照、材质或场景物体等变量，得到新的训练样本，而无需为每种变化重新进行一次实体采集。37

这也是 U0 与普通图像生成器的差别：后者通常追求单张图像是否好看、是否有创意；U0 更强调在变化场景时，保留机器人相关的几何关系、交互状态和视角上下文。37

为什么采用自回归架构

U0 是视觉自回归模型：它按顺序生成离散视觉 token，而不是采用扩散模型常见的逐步去噪方式。报道显示，其基础组合涉及 EMU3.5 与 Qwen-3-32B，并以共享的离散视觉分词器支持多项任务。47

这种形式便于将图像、机器人观测和时间序列统一表示为 token 流；但代价也很明显——高分辨率图像中的 token 若要按序生成，推理成本会迅速上升。因此，小米为 U0 配套了专门的加速推理路径。15

FlashAR+ 与 vLLM：82.86 倍快，究竟快在哪里？

FlashAR+ 是小米为视觉 token 解码设计的加速方法。它不再让所有 token 严格逐个生成，而是采用并行的反对角线解码。vLLM 则用于处理条件前缀、批处理和分页 KV 缓存，同时保留 FlashAR+ 的解码规则。19

小米报告称，在一张 H20 GPU 上，FlashAR 配合 vLLM 生成一张图像耗时 5.44 秒；相较其原始 AR eager 实现，速度提升 82.86 倍，相较 FlashAR eager 提升 3.04 倍。7

这个数字需要准确理解：它比较的是小米自家设定下的自回归 eager 基线，并不等于 U0 比扩散模型、其他机器人数据管线或主流视频模型快 83 倍。硬件、图像设置、批处理方式、模型路径和具体工作负载都会改变实际吞吐表现。17

仓库支持 AR 和 FlashAR 的 eager、vLLM 两类后端，但不代表每项能力在各个引擎上的支持程度和性能完全相同。涉及时序生成或特定多模态流程时，开发团队应针对计划使用的检查点与推理路径逐项测试。9

它与机器人模型、通用生成模型有什么不同？

系统类别	主要用途	U0 的位置
机器人策略模型	将传感器观测转换为机器人动作	U0 是上游的数据生成与扩增模型，不能替代策略模型；其被报告的下游价值是提升策略面对分布变化时的训练效果。67
机器人世界模型／数据模型	生成机器人场景、观测、轨迹或类似仿真的数据	U0 主打的差异点是：一个模型覆盖场景合成、迁移、图像编辑与面向视频的推演。46
通用图像生成模型	广泛的文生图、图像创作与编辑	U0 同样支持文生图和图生图，但小米强调的是具身场景一致性，并未据此证明其在通用图像质量上全面领先。47
通用视频生成模型	面向开放题材的影像与视频生成	U0 的视频能力以机器人场景为导向，不能据此推断它在开放式视频质量上超过领先的通用视频模型。46

基准测试与真机结果：值得关注，也要保留边界

小米称，U0 在 WorldArena 上排名第一，所报告的评测中有 126 个模型参与，并突出其指令遵循、交互质量和多视角一致性表现。小米官方项目页也称其在 100 多个模型中位列第一。710

在下游机器人训练中，小米报告称：加入 U0 生成的合成数据后，真机策略面对陌生光照、背景等分布外变化时，成功率从 36.9% 提升至 63.2%。67

这些结果最有力地支持了 U0 作为合成数据扩增器的价值，但仍属于项目方报告的成绩。仅凭 WorldArena 排名，并不能证明它在所有机器人、本体、策略、任务、仿真器或通用图像／视频评测中都更强。要独立复现，需要明确模型版本、提示词、采样配置、评测协议、评分设置和对比模型版本。710

视频能力、许可证与落地前的核查项

Apache-2.0 许可证覆盖仓库、权重和推理工具，使得具备足够算力的开发者较容易获取并使用 U0。不过，实际落地前仍应逐个核对检查点的许可证与模型文档，并审查源数据和所生成训练数据的来源、使用许可及合规要求。49

视频生成被列为统一能力的一部分，但现有发布材料并不能证明：在最初的 7 月发布时，视频检查点、加速路径、训练数据和评测流程已经像图像与场景迁移工作流一样完整、可复现。因此，图像生成和迁移是目前文档中更清晰的部署重点；若要围绕视频能力建设产品或训练管线，应先验证对应流程。46

结论

Xiaomi-Robotics-U0 的意义，不在于取代机器人控制策略或通用媒体生成模型，而在于开放了一条大型、统一的自回归管线，用于生成可控且与机器人任务相关的合成视觉数据。38B 旗舰模型、后续的小模型权重、公开工具链，以及 FlashAR+／vLLM 推理路径，为机器人团队开展数据扩增提供了一个实际起点。79

至于其最受关注的指标——82.86 倍内部推理对比、WorldArena 领先，以及 OOD 成功率从 36.9% 升至 63.2%——都很有吸引力，但在被推广为通用结论之前，仍应放到目标机器人、实际算力、具体工作负载和统一评测协议中验证。710