小米发布380亿参数具身智能开源大模型，突破数据瓶颈

多年来，具身智能一直受困于一个硬性天花板：数据不足。实体机器人运行缓慢、成本高昂且存在危险，尤其是在稀有或高风险场景中。传统数据收集需要人类移动机械臂、重置场景，并一次一个样本地记录轨迹。小米开源了Robotics-U0，一个380亿参数的多模态自回归模型，提出了一条不同的路径：生成训练数据而非收集数据。

Robotics-U0并非单一任务模型。它将四种能力, , 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, , 整合到一个统一的、基于机器人数据和互联网规模视觉数据训练的自回归Transformer中。该模型由小米的机器人部门开发，该部门已运营机器人工厂并在仓库中部署实体机器人，这使得其既有动力也有基础设施来为具身学习探索合成数据流程。

对于一个消费电子公司来说，发布的背后数字异常详细。在WorldArena基准测试（一项涵盖具身场景理解和生成的标准化评估）中，Robotics-U0在全球126个参赛模型中得分最高。在真实机器人评估中，小米报告称，当使用该模型增强的数据（包括改变光照、背景和物体排列）训练策略时，在分布外条件下的任务完成率比仅使用原始数据训练平均提高了26%。

这个数字的意义超越了单一的基准测试。分布外鲁棒性, , 在不熟悉的光照、不同背景或物体处于异常位置的情况下执行操作任务, , 是机器人学习在现实世界中的典型失败模式。一个只有40%概率泛化到新场景的策略是无法部署的；而达到66%的策略则改变了机器人自动化在仓库、厨房或服务环境等非结构化场景中的经济性。

四合一架构

Robotics-U0是一个自回归Transformer，其设计源于大型语言模型，但针对像素级和轨迹级生成进行了调整。该模型接收文本提示或图像帧作为输入，并输出四种模态：

1. 具身场景生成：根据文本描述，模型为指定的机器人硬件配置（桌面、厨房、仓库、开放世界）创建多视角初始场景。
2. 具身迁移：给定一个现有机器人轨迹，模型将其移植到新环境中，改变光照、背景、表面材质、目标物体或工作空间布局，同时保留机械臂姿态和空间排列。
3. 机器人交互视频生成：根据初始观察和操作指令，模型生成后续视频帧。该模型保持运动一致性和物理一致性，据称能零样本泛化到未见过的环境。
4. 通用文生图和图像编辑：保留标准视觉生成能力，使互联网规模的视觉知识能够迁移到具身任务中。

这种统一架构是该模型最显著的特点。大多数具身智能研究将场景生成、视频预测和策略训练视为独立的流程，每个都需要自己的数据收集和模型训练。小米的方法促使生成和理解之间共享一个表示空间，这或许可以解释该模型在改变场景时保持几何一致性的能力：机械臂位置并非凭空产生，而是从原始轨迹中保留下来。

效率杠杆：推理速度提升83倍

原始的自回归视觉序列生成以缓慢著称。生成单个高分辨率视频帧可能需要数秒，这使得整个流程对于增强一个真实机器人数据集（通常包含数十万到数百万帧）所需的规模来说不切实际。小米描述了一种UNIS推理加速架构（该公司尚未在GitHub仓库外发布详细的基准测试或论文），与原始的自回归范式相比，生成效率提高了约83倍。

如果通过独立复现得到证实，83倍的加速将把生成流程从研究玩具变成生产工具。原本需要83分钟的任务现在只需一分钟。以这样的速度，机器人团队可以在隔夜（而非数周内）生成其所收集轨迹的合成变体。

开源作为护城河

小米在GitHub和HuggingFace上发布了完整的项目页面、代码和模型权重, , 不是预览版或受限许可证，而是完全开放获取。对于一家销售智能手机、物联网设备和电动汽车的公司来说，开源一个有竞争力的具身智能模型是不寻常的。通常的做法是保持能力内部化，作为未来产品（机器人本身或训练它们的数据流程）的差异化因素。

但小米的做法与语言模型领域观察到的模式类似：发布基础模型，然后受益于社区贡献、错误修复、特定任务微调和下游评估，而这些是内部团队永远无法独自负担的。机器人领域的数据瓶颈影响着每一个实验室。如果开源社区生成了数千个增强数据集，那么小米的机器人, , 无论是当前的还是未来的, , 将是最容易吸收这些数据的，因为生成数据的模型与工厂中运行的模型共享相同的架构。这不是慈善；这是基础设施锁定。

此次发布也将小米定位为罕见的全栈具身智能玩家。大多数机器人基础模型来自大学（斯坦福的VIMA、麻省理工的R3M）或专业初创公司（Physical Intelligence、Covariant）。小米结合了硬件制造、工厂中真实机器人的部署，以及现在的基础模型研究。从论文到部署的仓库机器人学员之间的距离，以原型周期来衡量。小米拥有短流程。

攻破数据瓶颈

Robotics-U0的核心主张并非基准测试分数, , 这些将在数周或数月内被超越。其核心论点是：通过开源模型，以几何一致性，大规模生成合成数据，能够有意义地扩展实体机器人的真实世界训练分布。如果这个论点成立，那么具身智能研究的积压问题将不再是一个数据收集成本问题，而是一个计算成本问题，而后者正朝着正确的方向发展。26%的分布外任务完成率提升虽然远未达到人类水平的泛化能力，但这是打破僵局的那种边际提升。

小米开源Robotics-U0并未解决具身智能的全部问题。它做了更直接的事情：为每个机器人实验室提供了一种更好的方法来创建他们原本就缺乏的训练数据。在一个进步受限于机器人手臂物理重置次数的领域，这种从数据收集到数据生成的转变，可能才是真正的突破。