给机器人造一座「数据工厂」，小米 Robotics-U0 如何破解具身智能最难的一道题？

在印度的一些工厂里，有工人头戴摄像头完成装配、分拣和搬运，将第一视角画面和完整操作过程记录下来；特斯拉 Optimus 的训练场里，也有工作人员佩戴装有多枚摄像头的头盔和背包，在固定场地内反复拿杯子、擦桌子、拉窗帘；一些数据公司付费邀请普通人拍摄自己叠衣服、洗碗和整理房间的过程。

他们在做的，都是把人类早已习惯的动作重新示范、拆解和记录，让机器人从观察、模仿和反复练习开始，学习如何在真实世界行动。

过去一年，机器人跑步、翻滚、格斗和叠衣服的视频不断刷屏，证明机器人可以完成越来越复杂的动作。但想要从一次展示走向长期稳定运行，机器人还要适应不同环境、物体和任务，并在失败中持续进化。

这一过程依赖持续运转的数据闭环，包括数据采集、筛选、存储、训练、仿真、验证和回灌，而当下最先卡住行业进度的，是数据采集。

语言模型可以从互联网获得大量文本和图片，机器人却没有同等规模的“物理世界互联网”。具身模型训练需要同时采集目标看到了什么、采取了什么动作，以及这个动作如何改变了自身和周围环境。这类相互对应的视觉、动作和状态数据，通常只能通过真机操作、人类遥操作或专门采集获得。

但人工和真机采集都很难快速扩大规模。继续增加设备、摄像头和采集人员，能够带来更多样本，但训练时长、算力、存储成本都会线性上涨，更麻烦的是，低频和极端场景依然很难收集。

因此，具身智能解决数据短缺，除了依靠扩大采集规模，也开始尝试通过生成模型扩展训练数据，但现有合成数据方案往往由多个模型分别负责不同环节，任务之间彼此割裂，既增加了复杂度，也容易在跨模型处理时破坏场景的一致性。

小米正式发布并开源的 Xiaomi-Robotics-U0 正是为了解决这一问题，它将多类生成任务整合进同一套框架中，可以完成具身场景生成、具身迁移和机器人交互视频生成，并保留通用文生图与图像编辑能力，为机器人训练持续提供更多的可用的数据和场景。

作为具身领域全球首个统一生成模型，Xiaomi-Robotics-U0 已经同时验证了生成质量、数据有效性和工程效率。

在由清华大学、北京大学等机构联合建设的 WorldArena 基准测试中，U0 以匿名代号 UNIS 参评，取得全球总分第一；在真机评测中，使用 U0 扩增数据训练后的机器人策略，在未知光照、陌生背景等 OOD 场景下，任务完成进度平均提升 26.3 %；通过 FlashAR+ 推理加速方案，U0 的生成效率较原始自回归范式提升 82.9 倍，也将大规模生产具身数据的时间和算力成本压缩到了可以大规模使用的水平。

Xiaomi-Robotics-U0 最核心的创新，是全球首次在具身生成领域用一个统一模型覆盖四类生成任务，将具身场景生成、具身迁移、机器人交互视频生成，以及通用文生图和图像编辑能力整合进同一个模型。

过去，这些任务通常由不同模型分别完成。每个模型都有自己的数据格式、训练方式和推理链路，彼此之间很难共享能力。一段真机数据经过多个系统处理后，既增加了工程成本，也不利于持续扩大数据规模。

U0 的做法，是把这些任务放进同一个模型中。比如，研究人员已经采集了一段机械臂将耳机放入收纳盒的操作轨迹。U0 可以在保留原始动作关系的情况下，更换耳机的外观、调整光照、改变桌面背景，或者加入反光物体和其他视觉干扰，无需重新组织一次真机采集。

模型还可以从零生成新的工作台和物体组合，补充危险、极端或低频出现的长尾环境。机器人在现实中很难经历的边缘场景，可以先通过生成方式加入训练数据。

通用文生图和图像编辑能力被纳入统一架构，则使得模型还可以利用通用视觉模型积累的知识。真实机器人数据覆盖的物体和环境始终有限，但互联网视觉数据中包含海边、医院、仓库等不同场景，也包含各种材质和光照条件。这些视觉知识可以被用于扩展具身任务中的场景范围。

但数据能否批量生成，和数据能否用于机器人训练，是两回事。

普通图像模型更关注生成结果是否符合指令。只要整体画面看起来合理，哪怕物体出现轻微位移，通常仍可视为成功。

但具身数据的要求更严格。机械臂的位置、夹爪与物体的接触关系、桌面的空间结构，以及不同摄像头画面之间的几何关系，都要和原始动作轨迹对应。修改背景或光照时，如果这些信息发生变化，生成画面就无法继续匹配原有动作标签，也很难直接用于策略训练。

为此，U0 设计了五维解耦的控制方式，将生成过程拆分为工作台布局、前景操作物体、前景无关杂物、光照条件和背景信息五个维度。每个维度都可以通过自然语言独立控制，只改变需要调整的变量，同时尽量保留其他结构和轨迹信息。

比如，模型可以只改变光线，不动机械臂和物体的位置；也可以替换操作对象，同时保留工作台结构和原始轨迹；还可以增加桌面杂物，用来测试机器人在有干扰的环境中能否完成任务。

左侧为原始的多视角观测，右侧为修改了光照、工作区、物体描述等条件后，模型生成的多视角观测

在解决统一性和可控性之后，U0 还要解决生成效率和成本的问题。如果生成一条数据需要过长时间和过多算力，即使模型能够覆盖更多任务，也很难真正支撑大规模使用。

Xiaomi-Robotics-U0 采用了FlashAR+ 推理加速方案，在 FlashAR 的基础上进一步适配图像编辑、具身迁移和多参考图生成，并结合对角并行解码与 vLLM 的分页 KV 缓存和批量调度能力，提高推理速度和资源利用率。

按照小米公布的数据，在 1024×1024 分辨率下，U0 的单样本生成时间由 450.77 秒缩短至 5.44 秒，生成效率提升约 82.9 倍。生成成本的下降，使一条真实轨迹批量衍生出大量不同场景成为可能，也让模型更容易部署在有限的算力资源上。

AR（自回归）和 FlashAR+ 的对比结果：

FlashAR+ 在保持了生成质量的同时，大幅度优化了推理效率

Xiaomi-Robotics-U0 的三项创新并不是独立的功能叠加，它们共同推动了具身智能数据的 scaling，统一架构打通了具身生成任务，五维解耦保证扩增后的数据仍然可控、可用；FlashAR+ 则把生成速度和算力成本压缩到了能够支持大规模使用的程度。

Xiaomi-Robotics-U0 试图建立的，正是这样一套统一、可控、低成本的具身数据生产体系。

机器人策略的泛化能力，很大程度上取决于训练数据是否足够多样。

此前，NVIDIA Isaac Sim 等平台也尝试用合成数据缓解数据不足，但合成数据始终有一个难点：生成的环境和真实世界之间存在差距。

画面中的深度、物体位置、接触关系和运动规律，只要有一项出现偏差，机器人在合成环境中学到的能力就可能无法迁移到真机。

所以，判断 U0 能不能用于更广泛的具身训练，除了看它能生成什么，还要看用这些数据训练出的机器人，在真实环境中的表现。

从小米公布的真机评测结果看，使用 U0 扩增数据训练后，机器人在未知光照、陌生背景等分布外场景中的任务完成进度平均提升了 26.3%，在耳机收纳这样的精细操作、毛巾折叠这样的可变形物体操作，以及物品装箱这样的长流程任务中，表现也都有提升。

面对反光物体、彩色灯光等视觉干扰时，只使用原始真机数据训练的策略更容易因为识别偏差而停滞，甚至直接失败。加入 U0 扩增数据后，机器人即使出现了动作偏差，也能根据后续观测重新判断环境并调整动作。

这些结果说明，U0 所代表的数据扩增策略是有效的。 U0 在扩大数据量的同时，也提升了对陌生环境的覆盖能力。原本只在正常光照和固定背景下采集的一段轨迹，经过物体、背景、光照和干扰条件的扩增后，可以帮助机器人提前适应更多变化，并最终转化为机器人在真实场景中的性能提升。

同时，在与当前顶尖闭源模型 GPT-Image-2.0 的对比中，Xiaomi-Robotics-U0 也展现出了更好的可控性。

两类模型之间最明显的差距，出现在多视角几何和机械臂位姿的保持上。GPT-Image-2.0 可以按照文本指令替换物体和场景，生成结果在视觉上也基本符合要求，但在不同摄像头视角中，物体位置有时会发生偏移，空间结构可能出现变形，机械臂姿态也不一定能完整保留。

GPT-Image-2.0 和 Xiaomi-Robotics-U0 的具身迁移效果对比，同一指令下，GPT-Image-2.0 的机械臂位置出现了错误

对于普通图像编辑而言，这些偏差可能只会影响画面质量。但对于具身数据，同一时刻的多个视角必须对应同一个真实空间，机械臂和操作物体也必须继续匹配原始动作轨迹。只要其中一个视角发生错位，生成数据就很难继续使用原有动作标签，也无法直接用于策略训练。

小米还对 U0 的场景生成和具身迁移能力进行了单独评测。两项测试都设置了简单和困难两档任务，其中具身场景生成包含 400 个样本，具身迁移包含 300 个样本。根据人工评测结果，U0 在两类任务中的整体表现都优于参与对比的其他模型。

场景生成和具身迁移总体效果对比图：在人工搭建的具身场景生成（分为 Easy 和 Hard，各 200 个）和具身迁移（分为 Easy 和Hard，各 150 个）这两个 benchmark 中，Xiaomi-Robotics-U0 在人类评测中均取得了明显的领先

在外部评测中，U0 也以匿名代号 UNIS 参加了由清华大学、北京大学等机构联合建设的 WorldArena 基准测试。截至 2026 年 7 月 15日，该榜单共有 126 个模型参评，UNIS 获得总分第一，并在指令遵循、交互质量和视角一致性三个子项中排名第一。

WorldArena 榜单

从更大的行业视角看，U0 的开源解决了如何低成本生产有效数据的问题。

过去，行业扩大具身数据规模，主要依赖增加机器人数量、延长真机运行时间、组织更多人工示范。数据增长与设备、人力和时间投入高度绑定，规模越大，成本越高。

小米通过 U0 给出的路径是，在已有真实数据的基础上继续生成新的场景和样本，让数据扩张不再完全依赖新增采集，其创新性的通过统一的多模态自回归框架，将具身场景生成、具身迁移、机器人交互视频生成，以及通用文生图和图像编辑四类能力整合进了同一个模型。

具身场景生成和具身迁移直接承担了扩展训练数据的作用，机器人交互视频生成进一步使静态场景能够扩展为完整的机器人交互过程，通用文生图和图像编辑能力则将互联网中积累的物体、环境和视觉知识引入具身任务，为模型生成更丰富的开放世界场景。

U0 把场景生成、轨迹迁移和交互视频放进了同一条数据处理链路。模型可以先构造工作台和物体，再迁移已有操作轨迹，最后生成后续的机器人交互过程。这样一来，具身数据的扩展不再依赖多个彼此独立的工具。

在多数公司仍在围绕机器人本体、VLA 模型和真机数据采集扩大投入时，小米已经先一步进入数据基础设施层，尝试解决整个行业都要面对的数据成本和长尾覆盖问题。

U0 像是一座可控、可用、低成本的“具身数据工厂”。虽然真机采集仍然不可替代，机器人需要从现实世界获得真实的动作、接触和反馈，生成模型也要依靠这些数据不断校准。但有了 U0 生成模型，一条真实数据不再只能对应一个固定场景。它可以被扩展到不同的环境、物体和视觉条件中，形成更多训练样本。

当具身数据开始具备更高效率、更低成本和更强可控性，模型训练就不必完全受限于现实世界的采集速度。行业也由此拥有了继续扩大数据规模、提高泛化能力，并最终支撑机器人规模化落地的基础。

雷峰网(公众号：雷峰网)