小米扔出机器人界“核弹”：380亿参数U0模型开源，具身智能进入“数据永动机”时代

2026年7月，机器人圈被一颗“重磅炸弹”炸醒了。

小米机器人团队正式发布Xiaomi-Robotics-U0——一个380亿参数的多模态自回归世界基础模型。这不是一个简单的“升级版”，而是一个重新定义具身智能技术路线的系统级作品。

更令人震撼的是数据：用U0生成的数据增强训练后，一个名为π₀.₅的机器人操作策略，在真实世界的分布外（OOD）任务中，成功率从36.9%直接飙升至63.2%。整整提升了26.3个百分点。

机器人领域苦等多年的“数据引擎”，终于来了。

一、U0到底是什么？

简单说，Xiaomi-Robotics-U0是一个能够“想象”物理世界的AI模型。

它基于EMU3.5和Qwen-3-32B构建，采用统一的自回归架构——把所有任务都转化为“下一个token预测”。这意味着，无论是生成一张图片、编辑一张图片，还是“想象”一个机器人抓取物体的多视角场景，U0用的都是同一套“思维逻辑”。

模型支持五大任务类型：

• T2I：文本生成图像

• X2I：图像编辑

• Scene Gen：场景生成——根据场景和任务描述生成多视角具身观察数据

• Transfer：具身迁移——在给定条件下生成目标RGB多视角场景

• Video Gen：具身视频生成——根据初始观察和任务上下文生成完整的机器人操作视频

换句话说，U0不仅能“看图说话”，还能“脑补”一个机器人面对某个任务时，从各个角度看到什么、接下来会发生什么。

二、它解决了什么根本问题？

在U0出现之前，具身智能领域面临一个死结：

通用图像/视频基础模型虽然泛化能力强，但缺乏严格的多视角一致性、几何物理一致性和机器人本体约束。而现有的具身世界模型，往往在较小的机器人专用数据集上微调预训练模型，结果牺牲了来之不易的泛化能力。

更致命的是，真实世界的机器人交互数据极其稀缺且采集成本极高。你想让机器人学会在1000种不同环境下抓取100种不同物体？那就需要雇佣大量操作员，在1000种环境下录制1000种物体的抓取视频——成本高到离谱。

U0的破局思路是：让AI自己“想象”出这些数据。

它像一个“物理世界模拟器”，能够生成高质量的、多视角一致的、符合物理规律的机器人操作场景和视频。这些合成数据可以用来训练真实的机器人策略，效果惊人——π₀.₅的OOD成功率从36.9%提升到63.2%，就是最好的证明。

三、技术硬实力：凭什么这么强？

U0的技术含金量体现在三个层面：

第一，统一token空间。 U0使用共享的离散视觉分词器，在跨模态序列上采用单一的下一个token预测目标。图像、文字、视频、机器人观察数据，全部被映射到同一个“语言”里，模型可以在不同模态之间自由穿梭。

第二，多领域训练语料。 U0的训练数据覆盖六个领域：通用图像-文本、具身操作、自动驾驶、第一人称视角、3D重建、游戏数据。这种“跨界学习”让模型不仅懂机器人，还懂世界的物理规律。

第三，推理加速黑科技FlashAR+。 U0引入了FlashAR+加速方案，通过引入垂直预测头实现图像token的并行反对角解码。效果有多夸张？在单张H20上，FlashAR vLLM达到5.44秒/张图，比AR eager快82.86倍，比FlashAR eager快3.04倍。

四、成绩单：全面碾压

U0在多个权威评测中交出了令人信服的成绩单：

• 具身场景生成：在人类成对评估中击败GPT-Image-2.0，展现出更强的多视角几何一致性

• 具身迁移任务：深度一致性（SI-RMSE 0.1407 vs 0.4007）和分割mIoU（0.7621 vs 0.4105）全面超越GPT-Image-2.0

• 具身视频生成：在World Arena基准测试中排名第一，EWMScore总分73.64，指令遵循93.86，交互质量87.30

更值得关注的是小米的开源策略。

U0的模型权重、推理代码、配置文件、Gradio入口全部公开。两个检查点——34B基础版和38B FlashAR版——已上线Hugging Face。

这延续了小米在机器人领域的开源传统。2026年2月，小米已经开源了首代VLA模型Xiaomi-Robotics-0（47亿参数）。从Robotics-0到U0，小米正在构建一个完整的开源机器人模型矩阵。

有评论将此举比作安卓开源催生移动互联网生态。当行业还在争论闭源还是开源时，小米选择把门槛打下来，让更多开发者用消费级硬件就能玩转具身智能。

背后的商业逻辑很清晰：机器人赛道要爆发，不能只靠几家大厂，必须让整个生态先活起来。

六、战略拼图：从模型到工厂

U0的发布不是孤立事件，而是小米机器人战略的关键一环。

2026年以来，小米机器人动作频频：

• 2月：开源Xiaomi-Robotics-0 VLA模型

• 3月：人形机器人在汽车工厂完成3小时连续自主运行，成功率达90.2%

• 6月：在CVPR 2026和ICRA 2026 WBC赛道斩获双料冠军

• 7月：自攻螺母上件双侧作业成功率提升至98%，距人工仅差1个百分点

• 7月：发布U0世界基础模型

雷军曾表示，“小米一直在研发具身智能的机器人” ，并宣布未来三年投入600亿元加速AI领域布局。人形机器人已在小米汽车工厂“实习”，目标是让机器人“大规模地进入工厂，开始正式地工作和干活”。

U0的出现，补齐了最后一块拼图——数据引擎。有了U0，小米可以用合成数据低成本、大规模地训练机器人策略，加速从实验室到工厂的落地。

七、冷静看待：挑战依然存在

当然，U0也面临一些需要时间验证的问题。

有分析指出，U0的性能数据来自厂商单方报告，部分基于自家的人类评估和尚未形成行业共识的榜单。目前缺乏失败模式分析、合成数据生成的计算成本、以及与中国以外前沿世界模型的横向对比。

“如果结果能在小米实验室之外复现，受益最大的将是那些无力自建操作数据集的机器人团队”——这句评价既点出了U0的潜力，也暗示了仍需第三方验证的现实。

结语

Xiaomi-Robotics-U0的出现，标志着具身智能正在从“数据饥渴”走向“数据自给” 。

一个380亿参数的世界基础模型，能够统一图像生成、视频生成和具身合成，能够为真实机器人提供高质量的训练数据——这不仅是技术突破，更可能改变整个行业的游戏规则。

当机器人不再需要人类手把手教每一个动作，当AI可以自己在“想象”中练习千百次——具身智能的“ChatGPT时刻”，或许比我们想象的更近。

而小米，正在这场竞赛中全力冲刺。