小米截至 9 月初开源了 Xiaomi-Robotics-U0,这是一个自回归具身世界基础模型,提供约 40 亿和约 380 亿两种参数规模的版本,已在 Hugging Face 上发布。在推理效率方面,FlashAR+ 以反对角线并行生成取代串行逐标记视觉解码,使 1024×1024 图像的生成速度提升约 82.9 倍。
Xiaomi-Robotics-U0 开源资源与模型架构
Xiaomi-Robotics-U0 以“下一标记”(next-token)统一框架为核心。小米在官方资料中描述了一个约 380 亿参数的主线模型,该模型持续训练用于具身智能;同时公开了包括 Xiaomi-Robotics-U0-4B 和 FlashAR 在内的多个变体权重,均可在 Hugging Face 和 ModelScope 上获取,并附带推理代码、Gradio 演示及 FSDP 训练版本。
架构说明中提到 IBQ 图像标记化与多模态词汇表,使模型能够跨模态实现自回归扩展;模型基于 Qwen3-32B 和 EMU3.5 系列组件构建。在同一 next-token 框架内,模型统一了以下五类任务能力:
文字到图像生成
任意元素到图像的编辑:支持多模态输入组合的图像编辑
多重视角具身场景生成:为机器人操作生成多视角场景
可控具身迁移:在保留背景与光照条件的情况下进行场景风格迁移
具身视频生成:支持每秒 1、3 和 5 帧的多帧具身视频,包含交错的子任务—子目标流
FlashAR+ 推理效率
FlashAR+ 以反对角线并行生成(anti-diagonal parallel generation)取代串行逐标记视觉解码,并结合 vLLM 批处理。根据小米声明,在已公布的硬件上,FlashAR+ 将 1024×1024 图像的生成速度提升约 82.9 倍(接近 83 倍),单样本延迟从约 450.8 秒缩短至约 5.44 秒。
上述数字为小米自行公布的测试结果;小米官方资料同时提示,部署前应核查 FlashAR 引擎的具体选择。
WorldArena 排名与性能评测
根据小米公布的评测数据,UNIS(Xiaomi-Robotics-U0)在 WorldArena 对超过 100 个模型的评比中,以 EWMScore_P 73.64 分排名第一;在内部难度划分测试中,多视图场景与迁移胜率优于 GPT-Image-2。小米官方资料也明确提示,上述排名涉及第三方平台 WorldArena,使用前应核实第三方可复现性。
具身机器人后训练应用
根据小米报告,Xiaomi-Robotics-U0 的风格迁移数据在保留背景与光照条件的情况下,被混合到真实演示数据集中,用于策略后训练;干扰任务完成率从约 36.9% 提升至 63.2%,与干净实验室基线相比,下降幅度较小。视频生成检查点目前仍在跟进图像及迁移数据的发布进度。
小米在官方资料中明确指出,在将开放权重用作生产机器人的即插即用数据工厂之前,应先核查授权条款、FlashAR 引擎的选择以及第三方 WorldArena 的可复现性。
常见问题
Xiaomi-Robotics-U0 提供哪些版本,在哪里可以获取?
根据小米截至 2026 年 9 月初的官方资料,Xiaomi-Robotics-U0 提供约 40 亿和约 380 亿两种参数规模的版本,包括 Xiaomi-Robotics-U0-4B 及 FlashAR 变体,已在 Hugging Face 和 ModelScope 上发布,并附带推理代码、Gradio 演示及 FSDP 训练版本。
FlashAR+ 的推理速度提升幅度是多少,具体延迟数字是多少?
根据小米声明,FlashAR+ 以反对角线并行生成取代串行逐标记视觉解码,并结合 vLLM 批处理,在已公布的硬件上将 1024×1024 图像的生成速度提升约 82.9 倍,单样本延迟从约 450.8 秒缩短至约 5.44 秒;上述为小米自行公布的测试数字。
Xiaomi-Robotics-U0 在 WorldArena 的排名与评分是多少?
根据小米公布的数据,UNIS(Xiaomi-Robotics-U0)在 WorldArena 超过 100 个模型的评比中,以 EWMScore_P 73.64 分排名第一;小米官方资料同时提示,使用前应核实第三方 WorldArena 的可复现性。