7 月 15 日，小米正式推出 380 亿参数自回归具身世界基础模型 Xiaomi-Robotics-U0 并全量开源，配套开放项目官网、技术报告、模型权重，覆盖完整使用与复现链路。该模型实现行业首创技术突破，打破过往世界模型仅依托机器人轨迹数据训练的局限，把图像、视频生成底层基座和具身物理世界建模整合进单一自回归框架，一套模型同时承载多视角场景生成、可控具身场景迁移、机器人交互视频预测、通用文生图、指令式图像编辑五大能力。

模型划分五大可控维度重构场景，包含工作空间、背景、前景杂物、目标物体、光照，可单独调整任一要素，全程锁定机器人操作姿态不变，仅凭文本指令就能生成海量差异化仿真场景，高效补齐行业稀缺的多样化训练素材。在交互视频生成层面，输入初始画面与操作指令即可推演完整机器人作业时序，支持多视角同步预测，兼顾动作连贯度与物理动力学规则，零样本适配各类陌生场景。除此之外，模型保留通用视觉生成能力，既能高保真跨风格文生图，也能实现结构性图像编辑，仅修改指令相关物体，保留场景原有布局，打通互联网海量视觉知识向具身机器人迁移的通道。

多项权威评测证明 Xiaomi-Robotics-U0 综合性能领先，人工对比测试中，场景生成、场景迁移效果全面优于 GPT-Image 2.0；在清华、北大联合搭建的 World Arena 全品类具身视频生成榜单拿下总分第一，可控性、指令跟随、交互真实度、多视图一致性四项细分指标均斩获高分。核心差距在于小米统一了多视图几何逻辑，竞品容易出现跨画面物体错位、空间扭曲缺陷，而该模型输出画面空间结构稳定，场景迁移鲁棒性更强。

团队在毛巾折叠、耳机收纳、多物品装箱等高难度长时序真机任务完成验证，在陌生光照、全新背景等干扰环境下，采用该模型生成扩充数据训练机器人，任务完成进度平均提升 26.3%，面对反光、彩色强光等极端视觉干扰也可自主校正，不会出现任务卡死。

推理效率层面，小米自研 FlashAR + 加速方案，拓展原生 FlashAR 加速能力适配图像生成任务，融合轻量化后处理优化与 vLLM 分页缓存、对角并行解码调度。同等 1024×1024 分辨率图像，单张生成耗时从 450.77 秒降至 5.44 秒，整体生成效率最高提升 82.9 倍，兼顾高质量生成效果与工程落地实时性，适配大规模仿真数据批量产出需求。

模型采用 IBQ 图像分词器统一多模态表征，依靠标准多模态 Next Token Prediction 完成训练，将通用视觉大模型积累的海量常识、物体动力学知识融入具身世界模型，不再局限于少量机器人真机轨迹微调，为行业搭建低成本、可规模化的数据生成引擎提供全新路线。

同期小米披露工业机器人落地进展，年初机器人进驻小米汽车工厂自攻螺母工位，经过一季度迭代，双侧工位作业成功率提升至 98%；中控台盖板分拣、料箱折叠回收工序作业成功率均稳定突破 90%。

Xiaomi-Robotics-U0 的开源发布，标志具身世界模型进入统一合成全新阶段，依托通用视觉生成能力海量扩充仿真训练数据，有效缓解行业真机数据稀缺难题，为通用人形机器人规模化训练提供高效、低成本的数据底座。