Xiaomi kompaniyasi oʻz mahsuloti boʻlgan Xiaomi-Robotics-U0 ni jamoatchilik uchun mavjud qildi – bu tanlangan dunyo modelidir. Ushbu model robotlarga yoʻnaltirilgan sintezni shunchaki yoʻnalishlar generatsiyasi uchun maxsuslashtirilgan jarayon sifatida emas, balki fundamental modellar asosida tasvir va video generatsiyasining davomi sifatida koʻrib chiqadi.
Rasmiy materiallarga koʻra, modelning asosiy chizigʻi taxminan 38 milliard parametrga ega va tanlangan intellektga erishish uchun doimiy ravishda oʻqitiladi. Qoʻshimcha jamoatchilik ogʻirliklari, shu jumladan Xiaomi-Robotics-U0-4B va FlashAR variantlari, Hugging Face va ModelScope platformalarida mavjud, shuningdek, inferens uchun kod, Gradio orqali namoyish va sentyabr boshidagi FSDP oʻquv relizlari taqdim etilmoqda.
Keyingi token fraqmenti doirasida ushbu model bir nechta funksiyalarni birlashtiradi: matndan tasvir yaratish, istalgan manbadan tasvirni tahrirlash, koʻp modalli sahnalar yaratish, tanlangan nazoratli transfer va tanlangan video generatsiyasi. Xiaomi taʼkidlashicha, bu stek fundamental vizual semantikani saqlab qoladi, shu bilan birga, bir martalik va ketma-ket oʻquv bosqichlari orqali robotlarga yoʻnaltirilgan fikrlash qobiliyatini qoʻshadi. Bu bosqichlarga bir-birini navbatlashuvchi vazifa-maqsad oqimlari, shuningdek, soniyada 1, 3 va 5 kadrli tanlangan video kiradi.
Arxitektura izohlarida IBQ tasvir tokenizatsiyasi va turli modalitetlar oʻrtasida avtoregressiv miqyoslashni qoʻllab-quvvatlovchi multimodal lugʻatdan foydalanilganligi koʻrsatilgan. Ushbu arxitektura Qwen3-32B va EMU3.5 liniyalaridan kelib chiqqan komponentlar asosida qurilgan.
Ikkinchi muhim jihat – inferens samaradorligidir. FlashAR+ texnologiyasi tasvir tokenlarini ketma-ket dekodlashni antidiagonol parallel generatsiya bilan almashtiradi va vLLM batch qayta ishlash bilan birgalikda ishlatiladi. Xiaomi 1024x1024 oʻlchamli tasvirlarni generatsiya qilish tezligining deyarli 83 baravar tezlashishi mumkinligini maʼlum qiladi, bu esa belgilangan uskuna uchun bitta namunaning kechikishini taxminan 450,8 soniyadan 5,44 soniyagacha kamaytiradi.
Imkoniyatlar sahifalari koʻp modalli sahnalar va transferdagi gʻalaba koʻrsatkichlari ichki maʼlumotlarni murakkab va oddiy qismlarga ajratishda GPT-Image-2 dan ustun ekanligini taʼkidlaydi. Bundan tashqari, UNIS (Xiaomi-Robotics-U0) WorldArena dagi 100 dan ortiq model orasida EWMScore_P koʻrsatkichi 73,64 ga teng boʻlib birinchi oʻrinni egallaydi.
Amaliy qoʻllanilish sohasida, modeldan stilni oʻtkazish uchun maʼlumotlar keyingi siyosatni oʻqitish uchun haqiqiy namuna toʻplamlari bilan aralashtiriladi. Xiaomi fonlar va yoritishdan foydalanilganda aralashuv vazifalari boʻyicha taraqqiyotning taxminan 36,9% dan 63,2% gacha oshganini maʼlum qiladi, shu bilan birga, bazaviy laboratoriya darajasiga nisbatan pasayish kamroq boʻlgan.
Video generatsiyasi uchun nazorat nuqtalari hali ham tasvir va transfer relizlaridan ortda qolsa-da, jamoalar ochiq ogʻirliklarni ishlab chiqarish robotlari uchun tayyor maʼlumotlar bazasi sifatida ishlatishdan oldin litsenziyalash shartlarini, FlashAR dvigatelini tanlash va uchinchi tomon WorldArena reproduserligini tekshirishi kerak.