Xiaomi ने Xiaomi-Robotics-U0 पेश किया, जो एक 38-अरब-पैरामीटर बहुमोडल ऑटोरिग्रेसिव मॉडल है जो एकीकृत शारीरिक संश्लेषण के लिए डिज़ाइन किया गया है। यह मॉडल शारीरिक जनरेशन को मौलिक छवि और वीडियो जनरेशन का विस्तार मानता है, टेक्स्ट-टू-इमेज जनरेशन, छवि संपादन, शारीरिक दृश्य जनरेशन, शारीरिक स्थानांतरण और शारीरिक वीडियो जनरेशन को संयुक्त रूप से अनुकूलित करता है।
- पूर्व-प्रशिक्षित विश्व मौलिक मॉडलों के सामान्यीकरण को बनाए रखते हुए उन्हें शारीरिक सेटिंग्स में अनुकूलित करता है।
- कई रोबोट एम्बॉयडमेंट्स में उच्च गुणवत्ता वाले बहु-दृश्य दृश्य जनरेशन का समर्थन करता है।
- बहु-दृश्य स्थिरता को बनाए रखते हुए सूक्ष्म संपादन के लिए संरचित, नियंत्रणीय शारीरिक स्थानांतरण पेश करता है।
- शारीरिक दृश्य जनरेशन और स्थानांतरण में मानवीय मूल्यांकन में GPT-Image-2.0 से बेहतर प्रदर्शन करता है।
- शारीरिक वीडियो जनरेशन के लिए World Arena पर पहले स्थान पर है।
- चुनौतीपूर्ण वास्तविक-दुनिया की हैंडलिंग कार्यों पर pi_0.5 की आउट-ऑफ-डिस्ट्रीब्यूशन सफलता दर को 36.9% से बढ़ाकर 63.2% कर देता है।
परिणाम दर्शाते हैं कि मौलिक विश्व मॉडल शारीरिक विश्व मॉडल और शारीरिक बुद्धिमत्ता के लिए स्केलेबल डेटा इंजन दोनों के रूप में कार्य कर सकते हैं।