Xiaomiは、統一具現化合成のために設計された380億パラメータのマルチモーダル自己回帰モデルであるXiaomi-Robotics-U0を発表した。このモデルは、具現化生成を基礎となる画像および動画生成の拡張と見なし、テキストから画像への生成、画像編集、具現化シーン生成、具現化転送、具現化動画生成を同時に最適化する。

  • 具現化設定に適応させながら、事前学習された世界基盤モデルの汎化性を維持する。
  • 複数のロボット具現化にわたる高品質なマルチビューシーン生成をサポートする。
  • マルチビューの一貫性を保ちながら、微細な編集のために構造化された制御可能な具現化転送を導入する。
  • 具現化シーン生成および転送の人間評価においてGPT-Image-2.0を上回る。
  • 具現化動画生成においてWorld Arenaで1位を獲得。
  • 困難な実世界の操作タスクにおいて、pi_0.5の分布外成功率を36.9%から63.2%に向上させる。

これらの結果は、世界基盤モデルが具現化世界モデルとして、かつ具現化知能のためのスケーラブルなデータエンジンとして機能し得ることを示している。