小米开源 380 亿参数 U0：机器人有了自己的"世界模拟器"

7 月 15 日上午，小米机器人团队把 Xiaomi-Robotics-U0 的权重、代码和 Gradio Demo 一次性丢上了 Hugging Face。参数量 380 亿，架构是自回归，基座融合了 EMU3.5 和 Qwen-3-32B，定位是"世界基础模型"（World Foundation Model）。

这不是又一个 VLA，也不是又一个视频生成模型。它是一个把"想象机器人下一秒看到什么"当成 next-token prediction 来做的东西——图像、视频、文本、机器人观测，全都被塞进同一套离散 token 空间里。用官方的说法，这是具身领域第一个能同时吃下四类任务的统一生成模型。

一件事讲清楚：U0 到底在解什么问题

做过机器人策略训练的都知道，这行最贵的从来不是算力，是数据。你想让一个机械臂在 1000 种光照、1000 种背景、100 种物体上稳定抓取，理论上就得雇一群操作员，戴着 VR 头盔在真实场景里录 10 万段视频。RT-2、Open X-Embodiment 这些项目烧了多少钱，业内都清楚。

于是过去两年出现了两条路。一条是拿通用视频生成模型（比如 Sora 系、可灵、Veo）去"脑补"机器人操作视频，问题是这些模型没有严格的多视角一致性，也没有物理约束，生成出来的手可能穿模，抓取轨迹可能反物理。另一条是拿小规模机器人数据去微调预训练的世界模型，问题是一微调就把泛化能力干没了，最后只能在训练集分布内工作。

U0 的思路是干脆把两件事合并优化：文生图、图像编辑、具身场景生成、具身迁移、视频生成，五个任务在一个自回归目标下联合训练。既保留互联网视觉知识的泛化性，又能满足机器人本体约束和多视角几何一致性。

这个思路本身不新——DeepMind 的 Genie、World Labs 的方向都类似——但把它做到 38B、做到开源、并且给出真机数据增益证据的，U0 是第一个。

四类任务，怎么统一

拆开看四个能力：

具身场景生成（Scene Generation）。给一段文字描述加一个指定的机器人本体，输出多视角的初始观测。比如你输入"厨房台面上有一个红色马克杯，Franka 机械臂位于左侧"，模型会生成前视、俯视、腕部摄像头等多个视角的图片，几何是对齐的。这解决的是"没有真机也能起手训练"的问题。

具身迁移（Embodied Transfer）。已经有一段真机采集的轨迹了，但只在实验室白光环境下录过。U0 可以把这段轨迹"搬"到夕阳光照的仓库、木质桌面、金属背景板等各种环境里，同时严格保留机械臂的位姿和物体的空间关系。这就是所谓的"数据增强不用重新采集"。

机器人交互视频生成（Video Generation）。给一张初始观测图 + 一条自然语言指令（比如"把杯子递给右边的人"），模型往后续 rollout 视频。这里的关键约束是动作连贯 + 物理合理，杯子不能穿透手指，重力方向不能乱。

通用文生图和 Anything2Image。这一路看起来跟机器人无关，但小米团队坚持保留，是为了让模型吃到互联网级别的视觉先验，别退化成只懂机器人不懂世界的"专才"。

FlashAR+：自回归速度的问题被踩下去了

自回归生成图像最大的痛点是慢。一张 1024×1024 的图，token 数量动辄上万，逐个解码可能要几分钟——这也是过去几年扩散模型能压住 AR 图像生成的关键原因。

小米这次拿出了 FlashAR+ 推理加速方案，核心是引入垂直预测头，实现图像 token 的并行反对角解码。数字很暴力：单张 H20 上，FlashAR vLLM 生成一张图 5.44 秒，比原始 AR eager 快 82.86 倍，比 FlashAR eager 快 3.04 倍。

83 倍的加速，意味着从"能生成"变成"能规模化生成"。做数据合成的场景下，这个差距是决定性的——一天能造 100 万张训练样本还是 1 万张，工程可行性完全不是一个量级。

真机数据说话：OOD 成功率从 36.9% 到 63.2%

生成模型好不好，最终得看下游能不能用。小米团队拿 π₀.₅ 这个操作策略做了对照实验，在未知光照、陌生背景等 Out-of-Distribution 场景下：

• 只用真机数据训练：成功率 36.9%
• 加上 U0 合成数据一起训：成功率 63.2%

提升 26.3 个百分点。这是真机测试，不是仿真里刷分。对做机器人策略训练的团队来说，这个数字意味着可以用更少的真机采集撬动更大的泛化范围。

评测榜单方面，U0 在 WorldArena 上取得总分第一（126 个模型参评，匿名代号 UNIS），EWMScore 73.64，指令遵循 93.86，交互质量 87.30。人类成对评估里，具身场景生成任务上击败 GPT-Image-2.0；具身迁移任务上，深度一致性 SI-RMSE 0.1407 对 0.4007，分割 mIoU 0.7621 对 0.4105，全面碾压。

当然客观地说，WorldArena 这个榜单还处在早期，业内共识没完全建立起来。而且性能数据来自厂商单方报告，独立复现和失败模式分析目前都还没看到。等社区跑几天再看更靠谱。

开源了哪些东西

这次开源的完整度值得表扬。Hugging Face 上放了两个 checkpoint：

• 34B 基础版
• 38B FlashAR 加速版

配套的推理代码、配置文件、Gradio Demo 入口全部公开。项目主页在 robotics.xiaomi.com，Hugging Face 仓库直接搜 Xiaomi-Robotics-U0 就能找到。

这延续了小米在具身领域的开源节奏。今年 2 月开源过首代 VLA 模型 Xiaomi-Robotics-0（47 亿参数），6 月在 CVPR 2026 和 ICRA 2026 的 WBC 赛道拿了双料冠军，7 月直接把 38B 的世界模型端上来。从时间线看，小米在这条路上是有明确战略节奏的，不是打一枪换一个方向。

和竞品比，U0 站在什么位置

横向对比几个方向：

vs 通用视频生成模型（Sora、可灵、Veo 3）：泛化能力可能不如 Sora，但多视角一致性、物理合理性、机器人本体约束这三项，通用模型天生不擅长。U0 的定位是"够用的通用能力 + 专用的具身能力"。

vs 具身专用世界模型（1X 的 World Model、Physical Intelligence 的路线）：这些团队多数没开源，或者只开源了小规模版本。U0 直接把 38B 权重和加速方案一起放出，短期内在开源具身世界模型这个细分赛道，找不到第二个能对标的。

vs GPT-Image-2.0：官方给的对比数字是 U0 全面占优，但 GPT-Image-2.0 本来就不是为具身场景做的，这个比较更多是说"通用图像模型直接干具身任务不行"，不算特别公平的对比。

真正的价值在"数据永动机"这个定位上——如果 U0 生成的数据能持续给下游策略带来两位数的成功率提升，那具身智能这个行业的成本结构就要重写了。

一点判断

看完这次发布，几个观察：

第一，具身智能领域的路线正在从"堆真机数据"转向"合成数据 + 真机数据混训"。特斯拉 Optimus、Figure、1X 这些团队私下都在做类似的事，小米是第一个把完整方案开源出来的大厂。

第二，自回归 + 统一 token 空间这条路，在文本上被 GPT 证明过，在图像上被 EMU3 部分证明过，现在小米把它推到具身场景。next-token prediction 这个范式的边界还在扩张，短期看不到天花板。

第三，38B 参数在消费级硬件上跑不动，但对企业和研究机构来说，8×H100 就能推理，门槛比想象的低。搭配 FlashAR+ 的 83 倍加速，实际部署成本降到了可以接受的范围。

最后一个提醒：官方数字里 OOD 提升 26 个百分点确实亮眼，但这是在小米自己选的任务和评测集上做的。真正的考验是社区拿去在别的机器人平台、别的操作任务上跑，能不能复现出类似的收益。给一到两个月，答案就会出来。

如果你手边有多模态基座模型的调用需求，OpenAI Hub 一个 Key 覆盖了 GPT、Claude、Gemini、DeepSeek 等主流闭源模型，兼容 OpenAI 格式、国内直连，适合和 U0 这种开源模型做混合调用对比。开源部分可以直接从 Hugging Face 拉权重本地跑，闭源部分走 OpenAI Hub，工程上不用维护两套认证体系。

参考来源

• IT之家：小米开源 Xiaomi-Robotics-U0 具身领域首个统一生成模型 —— 首发消息，包含官方能力介绍和评测数据
• 知乎讨论：如何评价具身领域首个统一生成模型 —— 社区对 U0 技术路线的多角度讨论