A Xiaomi apresentou o Xiaomi-Robotics-U0, um modelo autoregressivo multimodal de 38 bilhões de parâmetros projetado para síntese corporal unificada. O modelo trata a geração corporal como uma extensão da geração de imagens e vídeos de base, otimizando conjuntamente a geração de texto para imagem, edição de imagens, geração de cenas corporais, transferência corporal e geração de vídeo corporal.
- Preserva a generalização dos modelos de mundo fundamentais pré-treinados enquanto os adapta a configurações corporais.
- Suporta a geração de alta qualidade de cenas multi-visão em múltiplas encarnações robóticas.
- Introduz transferência corporal estruturada e controlável para edição fina-grau, preservando a consistência multi-visão.
- Supera o GPT-Image-2.0 em avaliações humanas de geração e transferência de cenas corporais.
- Ocupa o primeiro lugar no World Arena para geração de vídeo corporal.
- Melhora a taxa de sucesso fora da distribuição do pi_0.5 de 36,9% para 63,2% em tarefas desafiadoras de manipulação do mundo real.
Os resultados demonstram que os modelos mundiais fundamentais podem servir tanto como modelos mundiais corporais quanto como motores de dados escaláveis para inteligência corporal.