小米发布并开源 Robotics-U0，统一生成模型瞄准机器人数据扩增

该模型将具身场景生成、具身迁移、机器人交互视频生成及通用图像能力整合进一套框架，用于扩展机器人训练所需的场景与数据。

小米已发布并开源 Xiaomi-Robotics-U0，这是一套面向具身智能数据生成的统一模型。其目标是缓解机器人训练中真实世界操作数据采集难以规模化的问题，为机器人提供更多可用于训练的场景和数据。

机器人训练需要视觉、动作和状态相互对应的数据：机器人看到了什么、采取了什么动作，以及动作如何改变自身和周边环境。这类数据通常依赖真机操作、人类遥操作或专门采集获得。与语言模型可利用互联网中的大量文本和图像不同，机器人训练缺少同等规模的“物理世界互联网”。

扩大采集规模意味着增加设备、摄像头、场地和采集人员，同时带来训练、算力和存储成本的上升。更棘手的是，低频、危险和极端场景仍难以通过真实采集覆盖。

Xiaomi-Robotics-U0 的思路是让已有真实操作轨迹衍生出更多可控的数据变体。例如，针对一段机械臂将耳机放入收纳盒的操作记录，模型可在保留原始动作关系的前提下，改变耳机外观、调整光照、更换桌面背景，或加入反光物体等视觉干扰，而无需重新进行一次真机采集。

模型也可生成新的工作台和物体组合，用于补充危险、极端或低频出现的环境。对于机器人在现实中难以反复经历的边缘场景，生成数据可为训练集提供额外覆盖。

U0 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纳入同一模型。此前，这类任务通常由不同模型分别处理，不同系统拥有各自的数据格式、训练方式和推理链路。小米认为，将这些能力整合进统一框架，可减少多模型串联带来的工程复杂度，并有助于持续扩大数据生产规模。

合成数据能否被机器人训练使用，关键在于生成结果是否仍与原始动作标签保持一致。普通图像生成更强调画面是否符合指令，而具身数据对几何和交互关系要求更严格：机械臂位置、夹爪与物体的接触关系、桌面空间结构及不同摄像头画面之间的关系，都需要与动作轨迹对应。

如果编辑背景或改变光照时造成物体位置、空间关系或交互状态漂移，生成数据便难以继续匹配原有动作标签，也难以直接用于策略训练。

小米称，U0 以匿名代号 UNIS 参与由清华大学、北京大学等机构联合建设的 WorldArena 基准测试，并取得总分第一。小米还称，使用 U0 扩增数据训练后的机器人策略，在未知光照、陌生背景等分布外场景中，任务完成进度平均提升 26.3%。

在生成效率方面，小米称，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。该方案意在降低大规模生成具身数据所需的时间与算力成本。

对机器人行业而言，统一生成模型并不意味着真机采集将被取代。真实轨迹、现场传感器数据和失败案例仍是训练数据的重要基础。但在真实数据之上扩增不同背景、光照、物体和干扰条件，可能让一条真实操作轨迹服务于更多训练场景。

这也使机器人数据生产从单纯扩大采集设备和人工演示，转向真实数据与生成数据结合的闭环：采集、筛选、存储、训练、仿真、验证与回灌。对于具备真实机器人轨迹和场景数据的企业而言，如何验证生成数据质量并将其稳定接入训练流程，仍将是这类系统能否形成实际价值的关键。