论文页面 - Xiaomi-Robotics-U0：基于世界基础模型的统一具身合成

来源：https://huggingface.co/papers/2607.11643 作者：

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

摘要

近期的基础图像与视频生成模型展现出强大的泛化能力和可控性，但其在具身场景中的直接应用受到多视图一致性、几何连贯性和机器人具身约束等要求的限制。现有方法通常采用有限的机器人数据对基础模型进行微调，往往牺牲了大规模预训练期间获得的视觉知识。我们提出了Xiaomi-Robotics-U0，一个380亿参数的多模态自回归模型，用于统一的具身合成。该模型将具身生成视为基础图像和视频生成的扩展，并联合优化了文本到图像生成、图像编辑、具身场景生成、具身迁移以及具身视频生成。这一统一框架在保留预训练世界基础模型泛化能力的同时，使其适应具身场景。Xiaomi-Robotics-U0是首个支持跨多个机器人具身的高质量多视图场景生成，并引入结构化、可控的具身迁移以实现细粒度编辑，同时保持多视图一致性与交互动态的模型。它在单步生成和序列生成任务上取得了最先进的结果，在具身场景生成与迁移的人类评估中优于GPT-Image-2.0，在World Arena具身视频生成排名中位列第一，并在具有挑战性的真实世界操作任务中，将pi_0.5的分布外成功率从36.9%提升至63.2%。这些结果表明，基础世界模型既可以作为具身世界模型，也可以作为具身智能的可扩展数据引擎。代码和检查点可在 https://robotics.xiaomi.com/xiaomi-robotics-u0.html 获取。

查看arXiv页面 (https://arxiv.org/abs/2607.11643) 查看PDF (https://arxiv.org/pdf/2607.11643) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.11643)

引用此论文的模型2

XiaomiRobotics/Xiaomi-Robotics-U0 Robotics• 34B• 更新约9小时前 • 13 • 3 (https://huggingface.co/XiaomiRobotics/Xiaomi-Robotics-U0)

XiaomiRobotics/Xiaomi-Robotics-U0-FlashAR Robotics• 38B• 更新约9小时前 • 5 • 3 (https://huggingface.co/XiaomiRobotics/Xiaomi-Robotics-U0-FlashAR)

引用此论文的数据集0

暂无数据集链接此论文

请在数据集的README.md中引用 arxiv.org/abs/2607.11643 以将其链接至此页面。

引用此论文的Spaces0

暂无Space链接此论文

请在Space的README.md中引用 arxiv.org/abs/2607.11643 以将其链接至此页面。

包含此论文的集合0

暂无集合包含此论文

添加此论文至一个集合 (https://huggingface.co/new-collection) 以将其链接至此页面。