給機器人造一座「數據工廠」，小米 Robotics-U0 如何破解具身智能最難的一道題？

“Xiaomi-Robotics-U0，為具身智能行業搭建低成本、可擴展的數據基礎設施。”

作者丨趙翔國

編輯丨馬廣宇

世界各地，有不少人正在給機器人當“幼教”。

在印度的一些工廠里，有工人頭戴攝像頭完成裝配、分揀和搬運，將第一視角畫面和完整操作過程記錄下來；特斯拉 Optimus 的訓練場里，也有工作人員佩戴裝有多枚攝像頭的頭盔和背包，在固定場地內反復拿杯子、擦桌子、拉窗簾；一些數據公司付費邀請普通人拍攝自己疊衣服、洗碗和整理房間的過程。

他們在做的，都是把人類早已習慣的動作重新示范、拆解和記錄，讓機器人從觀察、模仿和反復練習開始，學習如何在真實世界行動。

過去一年，機器人跑步、翻滾、格斗和疊衣服的視頻不斷刷屏，證明機器人可以完成越來越復雜的動作。但想要從一次展示走向長期穩定運行，機器人還要適應不同環境、物體和任務，并在失敗中持續進化。

這一過程依賴持續運轉的數據閉環，包括數據采集、篩選、存儲、訓練、仿真、驗證和回灌，而當下最先卡住行業進度的，是數據采集。

語言模型可以從互聯網獲得大量文本和圖片，機器人卻沒有同等規模的“物理世界互聯網”。具身模型訓練需要同時采集目標看到了什么、采取了什么動作，以及這個動作如何改變了自身和周圍環境。這類相互對應的視覺、動作和狀態數據，通常只能通過真機操作、人類遙操作或專門采集獲得。

但人工和真機采集都很難快速擴大規模。繼續增加設備、攝像頭和采集人員，能夠帶來更多樣本，但訓練時長、算力、存儲成本都會線性上漲，更麻煩的是，低頻和極端場景依然很難收集。

因此，具身智能解決數據短缺，除了依靠擴大采集規模，也開始嘗試通過生成模型擴展訓練數據，但現有合成數據方案往往由多個模型分別負責不同環節，任務之間彼此割裂，既增加了復雜度，也容易在跨模型處理時破壞場景的一致性。

小米正式發布并開源的 Xiaomi-Robotics-U0 正是為了解決這一問題，它將多類生成任務整合進同一套框架中，可以完成具身場景生成、具身遷移和機器人交互視頻生成，并保留通用文生圖與圖像編輯能力，為機器人訓練持續提供更多的可用的數據和場景。

作為具身領域全球首個統一生成模型，Xiaomi-Robotics-U0 已經同時驗證了生成質量、數據有效性和工程效率。

在由清華大學、北京大學等機構聯合建設的 WorldArena 基準測試中，U0 以匿名代號 UNIS 參評，取得全球總分第一；在真機評測中，使用 U0 擴增數據訓練后的機器人策略，在未知光照、陌生背景等 OOD 場景下，任務完成進度平均提升 26.3 %；通過 FlashAR+ 推理加速方案，U0 的生成效率較原始自回歸范式提升 82.9 倍，也將大規模生產具身數據的時間和算力成本壓縮到了可以大規模使用的水平。

01

小米 U0 的三項關鍵創新：統一、可控、高效

Xiaomi-Robotics-U0 最核心的創新，是全球首次在具身生成領域用一個統一模型覆蓋四類生成任務，將具身場景生成、具身遷移、機器人交互視頻生成，以及通用文生圖和圖像編輯能力整合進同一個模型。

過去，這些任務通常由不同模型分別完成。每個模型都有自己的數據格式、訓練方式和推理鏈路，彼此之間很難共享能力。一段真機數據經過多個系統處理后，既增加了工程成本，也不利于持續擴大數據規模。

U0 的做法，是把這些任務放進同一個模型中。比如，研究人員已經采集了一段機械臂將耳機放入收納盒的操作軌跡。U0 可以在保留原始動作關系的情況下，更換耳機的外觀、調整光照、改變桌面背景，或者加入反光物體和其他視覺干擾，無需重新組織一次真機采集。

模型還可以從零生成新的工作臺和物體組合，補充危險、極端或低頻出現的長尾環境。機器人在現實中很難經歷的邊緣場景，可以先通過生成方式加入訓練數據。

通用文生圖和圖像編輯能力被納入統一架構，則使得模型還可以利用通用視覺模型積累的知識。真實機器人數據覆蓋的物體和環境始終有限，但互聯網視覺數據中包含海邊、醫院、倉庫等不同場景，也包含各種材質和光照條件。這些視覺知識可以被用于擴展具身任務中的場景范圍。

但數據能否批量生成，和數據能否用于機器人訓練，是兩回事。

普通圖像模型更關注生成結果是否符合指令。只要整體畫面看起來合理，哪怕物體出現輕微位移，通常仍可視為成功。

但具身數據的要求更嚴格。機械臂的位置、夾爪與物體的接觸關系、桌面的空間結構，以及不同攝像頭畫面之間的幾何關系，都要和原始動作軌跡對應。修改背景或光照時，如果這些信息發生變化，生成畫面就無法繼續匹配原有動作標簽，也很難直接用于策略訓練。

為此，U0 設計了五維解耦的控制方式，將生成過程拆分為工作臺布局、前景操作物體、前景無關雜物、光照條件和背景信息五個維度。每個維度都可以通過自然語言獨立控制，只改變需要調整的變量，同時盡量保留其他結構和軌跡信息。

比如，模型可以只改變光線，不動機械臂和物體的位置；也可以替換操作對象，同時保留工作臺結構和原始軌跡；還可以增加桌面雜物，用來測試機器人在有干擾的環境中能否完成任務。

左側為原始的多視角觀測，右側為修改了光照、工作區、物體描述等條件后，模型生成的多視角觀測

在解決統一性和可控性之后，U0 還要解決生成效率和成本的問題。如果生成一條數據需要過長時間和過多算力，即使模型能夠覆蓋更多任務，也很難真正支撐大規模使用。

Xiaomi-Robotics-U0 采用了FlashAR+ 推理加速方案，在 FlashAR 的基礎上進一步適配圖像編輯、具身遷移和多參考圖生成，并結合對角并行解碼與 vLLM 的分頁 KV 緩存和批量調度能力，提高推理速度和資源利用率。

按照小米公布的數據，在 1024×1024 分辨率下，U0 的單樣本生成時間由 450.77 秒縮短至 5.44 秒，生成效率提升約 82.9 倍。生成成本的下降，使一條真實軌跡批量衍生出大量不同場景成為可能，也讓模型更容易部署在有限的算力資源上。

AR（自回歸）和 FlashAR+ 的對比結果：

FlashAR+ 在保持了生成質量的同時，大幅度優化了推理效率

Xiaomi-Robotics-U0 的三項創新并不是獨立的功能疊加，它們共同推動了具身智能數據的 scaling，統一架構打通了具身生成任務，五維解耦保證擴增后的數據仍然可控、可用；FlashAR+ 則把生成速度和算力成本壓縮到了能夠支持大規模使用的程度。

Xiaomi-Robotics-U0 試圖建立的，正是這樣一套統一、可控、低成本的具身數據生產體系。

02

WorldArena 全球第一，

可控性超越 GPT-Image-2.0

機器人策略的泛化能力，很大程度上取決于訓練數據是否足夠多樣。

此前，NVIDIA Isaac Sim 等平臺也嘗試用合成數據緩解數據不足，但合成數據始終有一個難點：生成的環境和真實世界之間存在差距。

畫面中的深度、物體位置、接觸關系和運動規律，只要有一項出現偏差，機器人在合成環境中學到的能力就可能無法遷移到真機。

所以，判斷 U0 能不能用于更廣泛的具身訓練，除了看它能生成什么，還要看用這些數據訓練出的機器人，在真實環境中的表現。

從小米公布的真機評測結果看，使用 U0 擴增數據訓練后，機器人在未知光照、陌生背景等分布外場景中的任務完成進度平均提升了 26.3%，在耳機收納這樣的精細操作、毛巾折疊這樣的可變形物體操作，以及物品裝箱這樣的長流程任務中，表現也都有提升。

面對反光物體、彩色燈光等視覺干擾時，只使用原始真機數據訓練的策略更容易因為識別偏差而停滯，甚至直接失敗。加入 U0 擴增數據后，機器人即使出現了動作偏差，也能根據后續觀測重新判斷環境并調整動作。

這些結果說明，U0 所代表的數據擴增策略是有效的。 U0 在擴大數據量的同時，也提升了對陌生環境的覆蓋能力。原本只在正常光照和固定背景下采集的一段軌跡，經過物體、背景、光照和干擾條件的擴增后，可以幫助機器人提前適應更多變化，并最終轉化為機器人在真實場景中的性能提升。

同時，在與當前頂尖閉源模型 GPT-Image-2.0 的對比中，Xiaomi-Robotics-U0 也展現出了更好的可控性。

兩類模型之間最明顯的差距，出現在多視角幾何和機械臂位姿的保持上。GPT-Image-2.0 可以按照文本指令替換物體和場景，生成結果在視覺上也基本符合要求，但在不同攝像頭視角中，物體位置有時會發生偏移，空間結構可能出現變形，機械臂姿態也不一定能完整保留。

GPT-Image-2.0 和 Xiaomi-Robotics-U0 的具身遷移效果對比，同一指令下，GPT-Image-2.0 的機械臂位置出現了錯誤

對于普通圖像編輯而言，這些偏差可能只會影響畫面質量。但對于具身數據，同一時刻的多個視角必須對應同一個真實空間，機械臂和操作物體也必須繼續匹配原始動作軌跡。只要其中一個視角發生錯位，生成數據就很難繼續使用原有動作標簽，也無法直接用于策略訓練。

小米還對 U0 的場景生成和具身遷移能力進行了單獨評測。兩項測試都設置了簡單和困難兩檔任務，其中具身場景生成包含 400 個樣本，具身遷移包含 300 個樣本。根據人工評測結果，U0 在兩類任務中的整體表現都優于參與對比的其他模型。

場景生成和具身遷移總體效果對比圖：在人工搭建的具身場景生成（分為 Easy 和 Hard，各 200 個）和具身遷移（分為 Easy 和Hard，各 150 個）這兩個 benchmark 中，Xiaomi-Robotics-U0 在人類評測中均取得了明顯的領先

在外部評測中，U0 也以匿名代號 UNIS 參加了由清華大學、北京大學等機構聯合建設的 WorldArena 基準測試。截至 2026 年 7 月 15日，該榜單共有 126 個模型參評，UNIS 獲得總分第一，并在指令遵循、交互質量和視角一致性三個子項中排名第一。

WorldArena 榜單

03

一座低成本的"具身數據工廠"

從更大的行業視角看，U0 的開源解決了如何低成本生產有效數據的問題。

過去，行業擴大具身數據規模，主要依賴增加機器人數量、延長真機運行時間、組織更多人工示范。數據增長與設備、人力和時間投入高度綁定，規模越大，成本越高。

小米通過 U0 給出的路徑是，在已有真實數據的基礎上繼續生成新的場景和樣本，讓數據擴張不再完全依賴新增采集，其創新性的通過統一的多模態自回歸框架，將具身場景生成、具身遷移、機器人交互視頻生成，以及通用文生圖和圖像編輯四類能力整合進了同一個模型。

具身場景生成和具身遷移直接承擔了擴展訓練數據的作用，機器人交互視頻生成進一步使靜態場景能夠擴展為完整的機器人交互過程，通用文生圖和圖像編輯能力則將互聯網中積累的物體、環境和視覺知識引入具身任務，為模型生成更豐富的開放世界場景。

U0 把場景生成、軌跡遷移和交互視頻放進了同一條數據處理鏈路。模型可以先構造工作臺和物體，再遷移已有操作軌跡，最后生成后續的機器人交互過程。這樣一來，具身數據的擴展不再依賴多個彼此獨立的工具。

在多數公司仍在圍繞機器人本體、VLA 模型和真機數據采集擴大投入時，小米已經先一步進入數據基礎設施層，嘗試解決整個行業都要面對的數據成本和長尾覆蓋問題。

U0 像是一座可控、可用、低成本的“具身數據工廠”。雖然真機采集仍然不可替代，機器人需要從現實世界獲得真實的動作、接觸和反饋，生成模型也要依靠這些數據不斷校準。但有了 U0 生成模型，一條真實數據不再只能對應一個固定場景。它可以被擴展到不同的環境、物體和視覺條件中，形成更多訓練樣本。

當具身數據開始具備更高效率、更低成本和更強可控性，模型訓練就不必完全受限于現實世界的采集速度。行業也由此擁有了繼續擴大數據規模、提高泛化能力，并最終支撐機器人規模化落地的基礎。