小米发布统一具身生成模型U0：用“数据工厂”破解机器人训练数据短缺难题

事件概述

具身智能训练长期面临数据短缺——机器人需要同时记录视觉、动作和状态变化的对应数据，而传统人工采集与真机操作成本高、低频场景难覆盖。小米推出的Xiaomi-Robotics-U0通过统一生成模型，试图低成本、大规模地合成可用训练数据，并已开源。

核心创新：统一、可控、高效

• 统一架构：U0是全球首个在具身生成领域将具身场景生成、具身迁移、机器人交互视频生成、通用文生图与图像编辑四类任务整合进同一模型的方案。此前这些任务通常由不同模型分段处理，工程复杂且容易破坏场景一致性。
• 五维解耦控制：模型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、背景信息五个维度，每个维度可通过自然语言独立控制，仅调整目标变量，保留原始轨迹与空间结构，确保生成数据与原有动作标签对应。
• FlashAR+加速：针对推理效率优化，对角并行解码与vLLM批调度使1024×1024分辨率下单样本生成时间从450.77秒降至5.44秒，效率提升约82.9倍，大幅降低大规模生产具身数据的算力成本。

关键验证：测评与真机效果

• WorldArena全球第一：在清华大学、北京大学等机构共建的WorldArena基准测试中，U0以匿名代号UNIS参评，截至2026年7月15日取得总分第一，并在指令遵循、交互质量、视角一致性三项子项中均排首位。
• 真机评测提升26.3%：使用U0扩增数据训练后的机器人策略，在未知光照、陌生背景等分布外（OOD）场景下任务完成进度平均提升26.3%，涵盖耳机收纳、毛巾折叠、物品装箱等精细与长流程任务。面对反光物体、彩色灯光等视觉干扰时，扩增数据使机器人能根据后续观测重新调整动作。
• 对比GPT-Image-2.0：在同为生成模型的对比中，U0在机械臂位姿保持和多视角几何一致性上明显优于GPT-Image-2.0，后者在不同视角下可能出现物体偏移或结构变形，无法直接匹配原有动作标签。

行业影响

U0构建了一套低成本“具身数据工厂”模式：一条真实轨迹可批量衍生出不同光照、背景、物体组合的样本，数据扩张不再完全依赖增加真机采集。尽管真机数据仍不可替代，但U0的开源使行业能够更高效地覆盖长尾场景并提升模型泛化能力，为机器人规模化落地提供数据基础设施。