Xiaomi telah memperkenalkan Xiaomi-Robotics-U0, model autoregresif multimodal dengan 38 miliar parameter yang dirancang untuk sintesis terpadu berbadan. Model ini memperlakukan generasi berbadan sebagai perluasan dari generasi gambar dan video dasar, mengoptimalkan secara bersama-sama generasi teks-ke-gambar, pengeditan gambar, generasi adegan berbadan, transfer berbadan, dan generasi video berbadan.
- Mempertahankan generalisasi model dunia dasar pra-latih sambil menyesuaikannya ke pengaturan berbadan.
- Mendukung generasi adegan multi-tampilan berkualitas tinggi di berbagai perwujudan robot.
- Memperkenalkan transfer berbadan yang terstruktur dan terkendali untuk pengeditan halus-granular sambil mempertahankan konsistensi multi-tampilan.
- Mengungguli GPT-Image-2.0 dalam evaluasi manusia mengenai generasi dan transfer adegan berbadan.
- Meringkat pertama di World Arena untuk generasi video berbadan.
- Meningkatkan tingkat keberhasilan out-of-distribution dari pi_0.5 dari 36,9% menjadi 63,2% pada tugas manipulasi dunia nyata yang menantang.
Hasil-hasil tersebut menunjukkan bahwa model dunia dasar dapat berfungsi sebagai model dunia berbadan dan mesin data yang skalabel untuk kecerdasan berbadan.