小米 Xiaomi-Robotics-U0:380 亿参数「统一具身合成」模型,把世界基础模型当成机器人数据引擎

小米在 7 月 13 日悄悄挂出 arxiv 一篇论文——Xiaomi-Robotics-U0,380 亿参数多模态自回归模型,做的是「统一具身合成」。

我没有第一时间看,因为这个名字第一眼感觉像「国内大厂又出一个 VLA」。但看完 abstract 和作者团队之后,我觉得这是 2026 年下半年具身智能赛道里最值得记一笔的中国大厂动作。

它不是又一款 VLA。它是「世界基础模型 + 具身数据引擎」一体化设计的第一次工业级实证。

事件内容

论文标题:Xiaomi-Robotics-U0: Unified Embodied Synthesis with World Foundation Model

arXiv:2607.11643,2026 年 7 月 13 日提交

作者团队:24 人,Lead 作者 Xinghang Li、Jun Guo,通讯作者包括 Huaping Liu、Yunhong Wang、Jason Li(具身圈熟面孔),最后一位 Jack Zhao 看起来是 Xiaomi Robotics 团队的负责人。

模型规模:380 亿参数多模态自回归模型

核心定位:把「具身生成」当作「foundation image and video generation」的扩展,统一优化五个任务——text-to-image generation、image editing、embodied scene generation、embodied transfer、embodied video generation。

关键技术突破(论文原文):

– 第一个支持多视角场景生成跨多种机器人 embodiment 的模型; – 第一个引入结构化、可控的具身迁移(embodied transfer),支持细粒度编辑同时保持多视角一致性和交互动力学; – 在人类评估的具身场景生成和迁移任务上优于 GPT-Image-2.0; – 在 World Arena 具身视频生成排行榜排名第一; – 把 pi_0.5 的分布外真实世界操作任务成功率从 36.9% 提升到 63.2%(这是关键数据)。

代码和权重开源:https://robotics.xiaomi.com/xiaomi-robotics-u0.html

深度剖析

我把 abstract 读了三遍,试图理解「Unified Embodied Synthesis with World Foundation Model」到底是什么意思。简单说:

之前的做法是「foundation model → 加 robot 数据微调 → VLA」。问题是,foundation model 在大规模预训练里学到的视觉知识会被有限的 robot 数据「洗掉一部分」。Pi_0.5 / RT-2 / OpenVLA 这些 VLA 都是这条路。

Xiaomi-Robotics-U0 的做法是「foundation model 不动,把具身生成当成它的扩展任务」。它不是给 VLM 加 robot action head,而是把具身场景生成、具身视频生成、具身迁移(text-to-image → image editing → embodied scene generation → embodied transfer → embodied video generation)统一在一个多模态自回归模型里。换句话说,模型本身既是世界基础模型,也是具身数据引擎——它能生成用于训练其他具身模型的合成数据。

那个 36.9% → 63.2% 的数字是这个设计最重要的验证:用 U0 生成的合成数据训练 pi_0.5,在分布外真实世界任务上把成功率拉高了 26.3 个百分点。这是「世界基础模型可以作为可扩展的具身数据引擎」这个假设的第一次工业级实证。

我也想指出这个设计的几个不显然之处:

第一,多模态自回归模型(而不是 diffusion)在具身生成上的胜出。具身圈过去一年是 diffusion-based 占主导(Sora、HunyuanVideo、CogVideoX 都是),U0 用的是多模态自回归路线,这条路线现在有了 DeepSeek 7B/27B 多模态、Mistral Pixtral 12B 等开源验证,U0 是它在具身领域的旗舰级落地。

第二,「embodied transfer」这个新任务名。论文把它定义为「细粒度编辑 + 多视角一致性 + 交互动力学保持」——意思是,你给一个机器人视角的画面,模型能把它「迁移」到另一个机器人的 embodiment,比如从桌面机械臂迁移到双足人形机器人,迁移过程中物体的几何关系和交互动力学不变。这对 sim-to-real 数据增强来说是杀手级功能。

第三,数据集规模和数据效率。论文摘要里没直接给,但提到「在 World Arena 排名第一」通常意味着数据效率很高。我推测 U0 用了小米自有的视觉数据(小米 14 / 14 Ultra 摄像头采集)和 CyberOne 人形机器人的早期数据。

值得关注的原因

第一,这是小米首次以「顶级研究 + 开源」姿态进入具身基础模型赛道。之前小米的具身布局是 CyberOne 人形机器人硬件 + HyperOS for Robotics。这次直接挂出 380 亿参数模型 + 完全开源 + arxiv 论文 + 项目页,姿态和字节 Seed(07-14 EdgeBench)、阿里 Page Agent(07-04)、蚂蚁 LingBot(07-11)是同一级别的「中国大厂开源贡献」。

第二,这条路线一旦被验证,中国具身格局会从「基础模型跟跑」变成「基础模型部分领跑」。之前我们提 VLA 想到的是 π_0.5、RT-X、OpenVLA,提世界模型想到的是 Sora、Veo、Cosmos。现在小米用 380 亿参数自回归多模态,把世界模型和具身模型合并成同一个东西,而且开源——这件事的产业影响不只是「又多一个模型」,而是「具身基础模型的世界模型中心从美国转移到中国」。

第三,Pi_0.5 从 36.9% → 63.2% 的提升是通用具身智能的关键数据。这意味着,世界模型生成的合成数据可以显著弥补真实世界 robot 数据的稀缺。具身智能过去三年的核心瓶颈是「数据不够」,U0 的设计思路是「不需要那么多真实数据」——如果这条路线被业界认可,具身训练的成本曲线会被大幅压平。

第四,「embodied transfer」作为新任务。在 image-to-image editing 已经成熟(image-to-image、style transfer、object-level editing)、具身视频生成开始成熟(具身圈 2026 上半年)的中间地带,「跨 embodiment 迁移」是一个被定义但没被解决的问题。U0 给出了第一个工业级解法。

第五,开源 + 项目页(robotics.xiaomi.com)的姿态。这是继阿里 Page Agent(07-04)、蚂蚁 LingBot(07-11)、字节 EdgeBench(07-14)之后,中国大厂在具身 / 视觉 / AI 评测 / AI coding 工具上的第五次开源工业级贡献。Open source AI 的中国席位在 2026 H2 加速形成。

风险与待观察

– 数据规模到底是多少?论文摘要没给具体 token / image 数,只在 World Arena 拿了第一。要看正式发表的版本里能不能看到数据来源的真实规模——尤其是「小米 14 系列手机用户数据是否被用于训练」这个隐私问题。 – Embodied transfer 的真实质量。论文说「保留多视角一致性 + 交互动力学」,但这些评估指标目前在 academic 圈没有统一 benchmark。需要看开源 repo 里 demo 的真实效果。 – 小米是否会持续投入具身基础模型。CyberOne 之前被报道过几次「量产进度低于预期」,U0 这种基础模型投入需要长期 ROI 支撑。如果小米汽车(07-09 报道)和 AI 业务把资源抽走,这个项目可能半路停摆。 – World Arena 第一名的稳定性。具身视频生成这个榜单目前规模不大,样本是否充分,需要观察后续 3 个月是否被其他模型反超。 – 对 Pi_0.5 团队的反应。Physical Intelligence 是 U0 论文里提到的下游模型提供方,如果他们对 U0 合成数据的效果公开表态(支持或质疑),是关键的产业信号。 – 中国具身基础模型的「开源 vs 闭源」分化。蚂蚁 LingBot 选择 Apache-2.0,小米 U0 也开源——但商汤 SenseNova-Vision-7B-MoT(07-14 报道)是闭源。这个分化在 2026 H2 会怎么演化,是另一个观察点。

来源:arXiv 2607.11643(https://arxiv.org/abs/2607.11643)、小米 Robotics 项目页(https://robotics.xiaomi.com/xiaomi-robotics-u0.html)