Xiaomi कंपनी ने अपने उत्पाद Xiaomi-Robotics-U0 को आम जनता के लिए उपलब्ध कराया है - यह एक स्व-प्रतिगामी मौलिक मूर्त दुनिया का मॉडल है। यह मॉडल रोबोटों पर केंद्रित संश्लेषण को केवल पथ पीढ़ी की एक संकीर्ण रूप से विशिष्ट प्रक्रिया के रूप में नहीं देखता है, बल्कि मौलिक मॉडलों के आधार पर छवियों और वीडियो की पीढ़ी के विस्तार के रूप में देखता है।
आधिकारिक सामग्रियों के अनुसार, मॉडल की मुख्य श्रृंखला में लगभग 38 अरब पैरामीटर हैं और यह मूर्त बुद्धिमत्ता प्राप्त करने के लिए लगातार प्रशिक्षित होता रहता है। अतिरिक्त सार्वजनिक भार, जिसमें Xiaomi-Robotics-U0-4B और FlashAR वेरिएंट शामिल हैं, Hugging Face और ModelScope प्लेटफॉर्म पर उपलब्ध हैं, साथ ही इन्फेरेंस के लिए कोड, Gradio के माध्यम से प्रदर्शन और सितंबर की शुरुआत में दिनांकित FSDP प्रशिक्षण रिलीज़ भी प्रदान किए जाते हैं।
एकल अगले टोकन फ्रेमवर्क के भीतर, यह मॉडल कई कार्यों को एकीकृत करता है: पाठ से छवि पीढ़ी, किसी भी स्रोत से छवि संपादन, मल्टी-मोडल दृश्यों का निर्माण, मूर्त नियंत्रित स्थानांतरण और मूर्त वीडियो पीढ़ी। Xiaomi का दावा है कि यह स्टैक मौलिक दृश्य सिमेंटिक्स को बनाए रखता है, साथ ही प्रशिक्षण चरणों - एकल-चरणीय और अनुक्रमिक दोनों - के माध्यम से रोबोट-उन्मुख तर्क क्षमता जोड़ता है। इन चरणों में उप-लक्ष्य प्रवाह शामिल हैं जो एक दूसरे के साथ बारी-बारी से आते हैं, साथ ही प्रति सेकंड 1, 3 और 5 फ्रेम वाले मूर्त वीडियो भी शामिल हैं।
वास्तुकला नोट्स IBQ छवि टोकनाइजेशन और एक मल्टीमॉडल शब्दावली के उपयोग का संकेत देते हैं जो विभिन्न मोडलिटियों के बीच स्व-प्रतिगामी स्केलिंग का समर्थन करता है। यह वास्तुकला Qwen3-32B और EMU3.5 लाइनों से उत्पन्न घटकों पर बनाई गई है।
दूसरा महत्वपूर्ण पहलू इन्फेरेंस की दक्षता है। FlashAR+ तकनीक छवि टोकन के अनुक्रमिक डिकोडिंग को एंटीडायगोनल समानांतर पीढ़ी से बदल देती है और इसे vLLM बैच प्रोसेसिंग के साथ जोड़ा जाता है। Xiaomi बताता है कि 1024x1024 आकार की छवि पीढ़ी में संभावित त्वरण लगभग 83 गुना तक हो सकता है, जिससे निर्दिष्ट हार्डवेयर पर प्रति नमूने विलंबता लगभग 450.8 सेकंड से घटकर 5.44 सेकंड हो जाती है।
क्षमता पृष्ठ बताते हैं कि मल्टी-मोडल दृश्यों और स्थानांतरण में जीत के मेट्रिक्स जटिल और सरल के आंतरिक डेटा विभाजन पर GPT-Image-2 से बेहतर हैं। इसके अलावा, UNIS (Xiaomi-Robotics-U0) WorldArena पर 100 से अधिक मॉडलों में EWMScore_P स्कोर 73.64 के साथ पहले स्थान पर है।
अनुप्रयोग क्षेत्र में, मॉडल से शैली स्थानांतरण डेटा को बाद में नीति प्रशिक्षण के लिए वास्तविक प्रदर्शन डेटासेट के साथ मिलाया जाता है। Xiaomi रिपोर्ट करता है कि पृष्ठभूमि और प्रकाश व्यवस्था का उपयोग करते हुए हस्तक्षेप कार्यों में प्रगति लगभग 36.9% से बढ़कर 63.2% हो गई है, जबकि मूल प्रयोगशाला स्तर की तुलना में कमी कम थी।
हालांकि वीडियो पीढ़ी के चेकपॉइंट अभी भी छवि और स्थानांतरण रिलीज़ से पीछे हैं, टीमों को खुले भार का उपयोग उत्पादन रोबोट डेटा के लिए तैयार कारखाने के रूप में करने से पहले लाइसेंसिंग शर्तों, FlashAR इंजन के चयन और तृतीय-पक्ष डेवलपर्स द्वारा WorldArena पुनरुत्पादकता की जांच करनी चाहिए।