小米机器人团队正式发布了Xiaomi-Robotics-U0，一个拥有380亿参数的多模态自回归世界基础模型。这个模型的核心能力，是用AI生成的合成数据来训练真实世界的机器人——不再完全依赖昂贵且稀缺的真实交互数据。实验结果显示，使用U0生成的数据增强训练后，机器人在陌生任务上的成功率从36.9%提升到了63.2%，提升了26.3个百分点。
什么是世界模型？为什么它很重要？
简单来说，世界模型就是一个脑补引擎。它能够根据已有的视觉信息和物理规律，预测环境中接下来会发生什么。比如给机器人看一张桌子的照片，世界模型可以生成桌子上放满物体后的样子，或者模拟机械手抓取物体时的视觉变化。这些生成的想象画面可以直接作为训练数据，让机器人在实际动手之前就积累大量经验。
传统机器人训练最大的痛点就是数据。真实世界的交互数据需要一台物理机器人反复操作，耗时耗力，还容易损坏设备。而世界模型可以在虚拟环境中批量生成各种场景——不同光照、不同物体位置、不同抓取角度——相当于给机器人造了一台数据永动机。
U0的技术架构有什么特别？
U0基于EMU3.5和Qwen-3-32B构建，采用统一token空间的设计思路。无论是文本描述、图像像素、还是机器人的传感器数据，都被转换成同一种语言来处理。模型因此可以同时支持五种任务：文本生成图像、图像编辑、三维场景生成、机器人技能迁移、以及具身视频生成。
在速度方面，U0引入了FlashAR+加速技术。在单张H20显卡上，图像生成速度比传统自回归模型快了82.86倍。这个提升不是小打小闹——它直接决定了世界模型能否在实际生产中被大规模使用。如果生成一张训练图片需要等半小时，那合成数据的成本优势就不存在了。
开源意味着什么？
小米这次不仅发布了论文，还开源了模型权重、推理代码、34B基础版与38B FlashAR版的检查点，全部托管在Hugging Face上。对于机器人研究者和中小型创业团队来说，这等于拿到了一套现成的数据生成基础设施。
在World Arena基准测试中，U0以EWM Score 73.64排名第一。更重要的是，它验证了一条清晰的技术路线：用统一自回归架构把图像、视频、机器人观察映射到同一token空间，是世界模型从理论走向工程落地的关键一步。
从小米整体的布局来看，从VLA模型到世界模型的连续开源，有明显的生态战略意图。通过开放基础模型能力，吸引更多开发者在小米的技术框架上做应用创新，这和安卓系统当年在手机行业的扩张路径颇有相似之处。机器人行业正从实验室走向工厂车间，谁能建立起最广泛的开发者社区，谁就更有可能定义下一代机器人的操作系统。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
