小米机器人在工厂“实习”。

7月15日，小米机器人团队发布并全量开源Xiaomi-Robotics-U0——一款380亿参数的多模态自回归具身生成基础模型。这是继今年2月推出VLA模型Xiaomi-Robotics-0之后，小米在具身智能大模型方向的最新落子。代码与模型权重已同步开放至GitHub、HuggingFace和魔搭社区。

一天之前，7月14日，小米集团创始人雷军通过社交媒体发布小米人形机器人在汽车工厂“实习”四个月的成果：自攻螺母上件工站双侧作业成功率从90.2%提升至98%，距人工作业合格率仅差1个百分点；新拓展的中控台侧盖板上件和料箱折叠回收两个工站，成功率均达到90%。

 

 

 

U0负责在虚拟世界低成本生成海量训练数据，工厂产线负责在真实世界提供高密度验证反馈。如果说98%的成功率是小米在物理世界交出的成绩单，那么U0模型就是在数字世界搭建的数据基座。

01.

 U0：把具身生成视为基础任务的自然延伸

当前主流具身世界模型普遍采用的路径是，用机器人专属数据集对预训练基础模型进行微调。但微调阶段仅依赖机器人数据，不可避免地削弱了模型从大规模预训练继承而来的通用视觉理解、空间推理和跨模态生成能力，同时限制了具身生成任务的多样性、可控性与可扩展性。

U0没有走这条路。它将具身生成视为图像、视频基础生成任务的自然延伸，而非将基础模型改造成“机器人专用生成器”。

官方介绍显示，U0采用开源模型EMU3.5作为初始化模型，该模型基于仅解码器架构Transformer构建，图像通过分词器完成词元化，所有模态数据使用统一离散词表表征，基于下一词元预测建模。

核心设计在于，U0不增设任何任务专属预测头，而是将四类核心任务——具身场景生成、具身迁移、机器人交互视频生成、通用文生图和图像编辑——统一抽象为单一自回归序列建模问题。这种统一范式既实现了高效多任务联合训练，又保留了大规模预训练权重赋予的视觉生成能力。

 

效果在三个维度上得到验证。

人工评测方面，U0的具身场景生成与具身迁移效果优于GPT-Image-2.0。后者虽画质优秀，但存在严重的跨视图几何不一致问题；U0生成的多视角画面则几何连贯、空间布局统一，同时保有照片级真实感。

基准测试方面，在World Arena具身视频生成评测基准上，U0以73.64分的综合EWMScore在全球126个参评模型中排名第一。细分指标中，指令遵循得分93.86，交互质量87.30，透视效果98.84，运动平滑度95.51。

真机验证方面，在未知光照、陌生背景等分布外（OOD）场景下，使用U0扩增数据训练的策略任务完成进度平均提升超26%。

 

U0的实用价值已落地为可量化的工程能力。它既能在保持几何一致性的前提下，对已有数据做增强——换物体、换光照、换背景、加干扰，无需重新采集；也能从零生成全新场景，覆盖危险、极端、长尾等真机难以触达的环境。此外，通过FlashAR+推理加速方案，其生成效率较原始自回归范式提升近83倍，大幅加快工程落地速度。规模化生成具身训练数据用于增益模型效果，从此有了可控且高效的解决方案。

02. 

工厂：98%背后的“自有闭环”

与U0的虚拟引擎相呼应，小米汽车工厂产线提供了另一条关键闭环：真实场景的持续验证。

根据雷军披露的数据显示，四个月间，小米机器人作业成功率从90.2%提升至98%，并首次实现柔性工件长时连续作业。雷军主动将此次作业水平对标美国Figure 03在宝马工厂完成的复杂零件物流排序场景，并称小米是“目前唯一在真实工厂完成同等级别高难度场景落地的机器人厂商”。

这组数据的意义不止于98%本身，而是证明了一套具身感知、实时决策和运动控制闭环在真实工业场景中得到了持续验证。这样的迭代速度只有在真实产线持续运转、反馈和优化的闭环中才能实现。

 

不同于大部分机器人公司需要寻找外部工厂试点、采购仿真训练场景，小米的自有产线能提供持续、真实、高密度的训练环境，作业数据即时回流算法迭代，形成“场景-数据-迭代”的加速飞轮。同时，小米机器人已开始接入汽车工厂内部系统，可直接从系统获取物料型号及料格编号，不同机器人之间也可同步作业状态，走向正式的产线节点。

从Xiaomi-Robotics-0到U0，小米在具身智能领域的推进节奏正在加快。U0的虚拟数据引擎与汽车工厂的物理验证闭环相互咬合，正在回答一个行业共同面临的问题：数据从哪里来，以及验证到哪里去。答案尚未完整，但齿轮已经开始转动。