小米机器人U0开源发布 实现效率几何级提升

在机器人训练领域，长期困扰从业者的最大瓶颈是什么？答案是数据。数据，还是数据。

然而，从真实世界采集数据不仅成本高昂、周期漫长，而且难以覆盖多样化的光照条件、背景环境、物体组合以及不同型号的机器人本体。过去，不同类型的数据往往需要调用各自独立的模型来生成，效率低下，令人头疼不已。

近期，小米发布了一项重磅成果：正式推出Xiaomi-Robotics-U0大模型（以下简称“U0”），并直接将其开源。这是具身智能领域首个统一生成模型，拥有380亿参数，首次将多项具身世界建模能力与通用图像生成能力整合到一套多模态自回归架构中。这意味着什么？相当于为机器人训练数据的生成、迁移和扩增搭建了一个统一的底层平台——效率由此大幅提升。

U0的性能表现同样令人瞩目。在由清华大学、北京大学等机构联合打造的具身智能权威评测基准WorldArena上，U0斩获73.64分，综合性能位居全球第一。真机测试结果更具说服力：使用U0生成的数据进行训练后，机器人在从未见过的陌生环境中，任务完成进度平均提升了26.3%。这意味着什么？环境泛化能力——机器人从实验室走向真实世界、实现规模化应用必须突破的关键瓶颈，被实实在在地向前推进了一大步。

统一四类生成任务，构筑“具身数据”工厂

U0的能力覆盖了四类核心任务，每一项都堪称硬核技术：

具身场景生成：根据文本描述，为指定机器人生成桌面、厨房、仓库等环境下的多视角初始观测；

具身迁移：将已有机器人轨迹迁移到新环境中，改变光照、背景、材质或物体的同时，保持机械臂姿态、动作轨迹和场景布局不变；

机器人交互视频生成：依据初始观测和操作指令，生成后续视频，兼顾动作连贯性与物理一致性；

通用文生图与图像编辑：保留通用的视觉生成与编辑能力，将互联网上已有的视觉知识迁移到具身智能任务中，进一步扩充训练数据的场景和物体类型。

这四类能力，完整贯通了“生成场景—迁移轨迹—扩展环境—生成交互过程”这一数据生产链路。U0就像一座统一、可控、高效的“具身数据工厂”——不同机器人、不同场景、不同任务，都能在这里找到对应的训练数据。

真机测试结果进一步验证了其价值。在陌生光照、未知背景等分布外场景下，使用U0生成的数据训练后的机器人，任务完成进度平均提升了26.3%。简单来说：即使到了训练阶段完全未接触过的环境，机器人也能更稳定地完成任务。这正是关键所在。

可控性大幅领先GPT-Image 2.0，打造可用的具身数据

为机器人“造”数据，与普通AI画图有本质区别。画面不仅要逼真，还必须与真实采集的动作轨迹严格对齐——同一物体在不同相机视角下的位置需保持几何一致，机械臂姿态不能因更换背景而错位。否则，生成的数据根本无法用于训练。

针对这一挑战，U0提出了五维解耦结构化控制范式。简单来说，就是将机器人工作场景拆解为五个维度：工作台布局、操作物体、无关物体、光照和背景。每个维度都能通过自然语言独立调整，在修改前景、背景或光照的同时，尽量保持机械臂姿态、空间结构及多视角关系不变。

在WorldArena评测中，U0综合排名第一，指令遵循、交互质量和视角一致性三个子项也全部夺得第一。可控性得分91.60，3D准确性92.04。这些数据绝非虚言。

在一项包含300个不同难度样本的对比测试中，U0在深度一致性、结构保真和语义对齐三个维度上，均大幅领先GPT-Image 2.0。后者虽然能生成符合文字描述的图像，但在跨视角场景中，更容易出现物体错位、空间畸变或机械臂姿态变化，导致生成数据与原始轨迹的对应关系出现偏差。

U0的优势，不仅在于“把画面生成得更像”，更在于让机器人动作、空间关系和多视角观测保持一致，使生成的数据真正具备训练价值。

7.5分钟到5.44秒，数据生成效率提升82.9倍

大规模生产具身数据，除了要求结果准确，速度和成本也是不可回避的挑战。

U0提出的FlashAR+高速推理加速方案，结合对角并行解码与高效的缓存调度技术，能将一张可用高清训练图片（1024×1024分辨率）的生成时间，从原来的7.5分钟（450.77秒）极限压缩至5.44秒——效率提升了82.9倍。

这一效率提升，为具身训练数据的低成本、规模化生产奠定了工程基础。机器人训练团队因此能在更短时间内，批量生成覆盖不同背景、光照、物体和机型的训练数据。随着U0开源，具身数据有望从依赖大量人工采集，真正走向可控、高效的批量生产。