小米推出了Xiaomi-Robotics-U0，这是一款专为统一具身合成设计的380亿参数多模态自回归模型。该模型将具身生成视为基础图像和视频生成的扩展，联合优化文本到图像生成、图像编辑、具身场景生成、具身迁移和具身视频生成。

  • 在将其适应具身设置的同时，保留了预训练世界基础模型的泛化能力。
  • 支持跨多种机器人具身的多视角高质量场景生成。
  • 引入了结构化、可控的具身迁移以实现细粒度编辑，同时保持多视角一致性。
  • 在具身场景生成和迁移的人类评估中优于GPT-Image-2.0。
  • 在World Arena的具身视频生成任务中排名第一。
  • 在具有挑战性的现实世界操作任务上，将pi_0.5的分布外成功率从36.9%提升至63.2%。

结果表明，基础世界模型既可以作为具身世界模型，也可以作为具身智能的可扩展数据引擎。