小米開源 Xiaomi-Robotics-U0：38B 具身世界模型如何生成機器人訓練資料

原問題的日期可能混合了兩次更新：小米完整釋出 Xiaomi-Robotics-U0 的時間為 2026 年 7 月 15 日；到了 9 月，專案儲存庫則公告新增 4B、序列模型權重與 FSDP 訓練程式碼。79

Xiaomi-Robotics-U0 的核心定位，是一座為機器人打造的「合成資料工廠」：它能生成或改造以機器人為中心的視覺場景，並盡量保留訓練重要的資訊，例如機器人觀測、操作情境、相機視角與場景一致性。它不是把觀測直接轉成機器人動作的控制策略。16

這次開源了什麼？

旗艦版 U0 被描述為一個 380 億參數、多模態、自回歸的世界基礎模型。開源內容包括模型權重、原始碼與推論程式、可組合設定、Gradio 操作入口，以及自回歸（AR）與 FlashAR／vLLM 推論的修補程式；儲存庫採用 Apache-2.0 授權。249

小米在 2026 年 9 月再列出三項新增釋出：Xiaomi-Robotics-U0-4B、Xiaomi-Robotics-U0-Sequence 與 Xiaomi-Robotics-U0-4B-Sequence，並開放 FSDP 訓練程式碼。換言之，U0 現在是持續擴充中的模型家族，而不只是最初的全尺寸 checkpoint。9

一個模型，涵蓋多種具身資料任務

小米主打的是「統一化」：同一架構可支援下列工作：

• 文字生成圖片與圖片生成圖片；
• 具身場景生成；
• 結構化場景遷移與編輯；
• 影片生成或機器人觀測序列推演（rollout）。46

實務上，最有辨識度的用途是資料擴增。開發者可從一段既有的機器人軌跡或觀測開始，改變背景、光照、材質或物件等因素，產出新的訓練範例，減少每次都必須重做實體資料蒐集的成本。37

這也使 U0 與一般追求單張圖片吸睛效果的圖像生成器不同：它的重點在於可控地變化場景，同時維持與機器人有關的幾何關係與互動脈絡。37

自回歸架構：為何不同於擴散模型？

U0 是一個自回歸視覺模型。不同於常見擴散式影像系統以反覆去雜訊方式產生畫面，它會依序生成離散視覺 token。報導指出，其基礎結合 EMU3.5 與 Qwen-3-32B，並以共享的離散視覺 tokenizer 處理各項支援任務。47

把圖片、機器人觀測與時間序列都視為 token 串流，是自回歸方法的自然延伸；但高解析度內容若必須逐個 token 產生，運算成本也會很高。這正是小米為 U0 搭配專用加速推論路徑的原因。15

FlashAR+ 與 vLLM：82.86 倍加速該怎麼看？

FlashAR+ 是小米用於加速視覺 token 解碼的方法。它採用平行的反對角線生成，而非讓每個視覺 token 都嚴格逐一產出；vLLM 則負責條件前綴、批次處理與 paged KV cache 管理，同時保留 FlashAR+ 的解碼規則。19

小米公布，在單張 H20 GPU 上，FlashAR 搭配 vLLM 生成一張圖片需 5.44 秒，並稱相較其原始 AR eager 實作快 82.86 倍、相較 FlashAR eager 快 3.04 倍。7

不過，這個限定非常重要：它是與小米自身自回歸 eager 基線、在其公布設定下的比較，不能解讀為 U0 比擴散式影像生成器、所有機器人資料管線，或頂尖通用影片模型快 83 倍。硬體、影像設定、批次大小、模型路徑與工作負載都會影響實際吞吐量。17

儲存庫雖支援 AR 與 FlashAR 的 eager、vLLM 後端，但不代表每項能力在每個引擎上都有相同支援程度或效能。若團隊要做時間序列或特定多模態工作流，仍應針對預計採用的 checkpoint 與推論路線實測驗證。9

和機器人模型、通用生成模型差在哪裡？

系統類型	主要用途	U0 的位置
機器人策略模型	將觀測轉換為機器人動作	U0 位於上游，負責資料生成與擴增，並非策略模型替代品；其主張的下游價值是提升策略面對分布偏移時的訓練效果。67
機器人導向世界／資料模型	產生機器人場景、觀測、軌跡或近似模擬資料	U0 的差異化主張，是以單一模型整合場景合成、遷移、影像編輯與影片導向推演。46
通用影像生成器	廣泛的文字／圖片創作與編輯	U0 也支援文字生圖與圖生圖，但小米強調的是具身一致性，並未據此證明它在整體通用影像品質上全面領先。47
通用影片生成器	電影感或廣泛題材的影片創作	U0 的影片能力面向機器人情境；這不足以證明它在開放式影片品質上勝過領先的通用影片模型。46

WorldArena 與真機結果：有潛力，但仍需驗證

小米表示，U0 在 WorldArena 評測中排名第一；其公布的評估有 126 個模型參與，並特別強調指令遵循、互動品質與多視角一致性。小米官方專案頁面則稱模型在超過 100 個模型中居首。710

在下游機器人訓練方面，小米稱加入 U0 產生的合成資料後，面對陌生光照、背景等變化時，真機的分布外（OOD）成功率從 36.9% 提高至 63.2%。67

這些數字最有力地支持了 U0 作為合成資料擴增工具的潛力，但仍屬專案方公布成果。單憑 WorldArena 排名，不能推論它在每一種機器人、策略、任務、模擬器或通用影像／影片基準上都更強。若要獨立重現，還需要精確模型版本、提示詞、採樣設定、評估流程、計分配置與對照模型版本。710

開放程度、影片狀態與導入前檢查

儲存庫、權重與推論工具採 Apache-2.0 授權，讓具備足夠運算資源的開發者較容易使用。不過，實作者仍應逐一檢視 checkpoint 的授權與模型文件，並確認來源資料及產生訓練資料的來源、使用權限與合規條件。49

影片生成列在統一能力範圍內；但現有釋出材料並未證明，最初 7 月發布時，影片 checkpoint、加速路徑、訓練資料與評估程序在各功能間都同樣完整且可重現。就目前資訊而言，影像與場景遷移工作流是較明確的部署重點；若要以影片能力為核心建置系統，應先驗證所需的特定工作流。46

結論

Xiaomi-Robotics-U0 的重要性，不在於取代機器人控制模型或通用媒體生成模型，而在於它開放了一條大型、統一的自回歸管線，用於生成可控、與機器人任務相關的合成視覺資料。380 億參數旗艦模型、後續較小權重、公開工具，以及 FlashAR+／vLLM 路徑，為研究者與機器人團隊提供了資料擴增的實作起點。79

至於 82.86 倍內部推論比較、WorldArena 領先，以及 OOD 成功率由 36.9% 升至 63.2% 等關鍵主張，確實值得關注；但在推廣到其他情境前，仍應以目標機器人、工作負載、硬體與評估協定進行測試。710