Xiaomi ha presentado Xiaomi-Robotics-U0, un modelo autoregresivo multimodal de 38 mil millones de parámetros diseñado para la síntesis corporal unificada. El modelo trata la generación corporal como una extensión de la generación de imágenes y video de base, optimizando conjuntamente la generación de texto a imagen, la edición de imágenes, la generación de escenas corporales, la transferencia corporal y la generación de video corporal.
- Preserva la generalización de los modelos de mundo de base preentrenados mientras los adapta a entornos corporales.
- Soporta la generación de escenas multi-vista de alta calidad a través de múltiples representaciones robóticas.
- Introduce una transferencia corporal estructurada y controlable para edición fina-granular preservando la consistencia multi-vista.
- Supera a GPT-Image-2.0 en evaluaciones humanas de generación y transferencia de escenas corporales.
- Ocupa el primer lugar en World Arena para generación de video corporal.
- Mejora la tasa de éxito fuera de distribución de pi_0.5 desde 36.9% hasta 63.2% en tareas de manipulación del mundo real desafiantes.
Los resultados demuestran que los modelos de mundo de base pueden servir tanto como modelos de mundo corporal como motores de datos escalables para la inteligencia corporal.