/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
4 млрд
Размер весов
10,2 ГБ
Лицензия
Apache 2.0
Архитектура
UNIS · dense
Опубликована
8 сен 2026

Xiaomi-Robotics-U0-4B-Sequence

Генерация текстаТекст → текст3 профессии

Производная модели XiaomiRobotics/Xiaomi-Robotics-U0-4B. Мультимодальная модель Xiaomi Robotics для генерации и редактирования изображений, а также создания наблюдений для роботизированных сцен.

72скачиваний за 30 дней6лайковвеса обновлены9 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Карточка модели XiaomiRobotics/Xiaomi-Robotics-U0-4B-Sequence на Hugging Face совпадает с карточкой XiaomiRobotics/Xiaomi-Robotics-U0-4B, поэтому описание составлено по ней.

Xiaomi-Robotics-U0-4B — мультимодальная авторегрессионная модель Xiaomi Robotics на архитектуре UNIS с 4 млрд параметров. Она использует общее дискретное пространство визуальных токенов и единый механизм предсказания следующего токена для текста и изображений. Контекст составляет 32 768 токенов.

Модель предназначена для генерации и редактирования изображений по тексту и референсному изображению, создания многовидовых наблюдений для роботизированных сцен и переноса наблюдений в целевую RGB-сцену. Для отдельных Sequence-чекпойнтов описаны генерация чередующихся подзадач и видео, но README не относит эти сценарии к Xiaomi-Robotics-U0-4B. Карточка также сообщает об ускоренном FlashAR-варианте, однако не утверждает, что он используется в этом чекпойнте.

Модель распространяется в формате safetensors по лицензии Apache-2.0. README описывает открытый код инференса и указывает, что код обучения планируется добавить позднее. В карточке не приведены результаты оценки качества именно версии 4B; скорость, указанная для FlashAR на H20, относится к другому варианту исполнения.

Сценарии применения

  • генерация изображения по текстовому описанию
  • редактирование изображения по инструкции и референсу
  • создание многовидовых изображений роботизированной сцены
  • перенос наблюдений робота в целевую RGB-сцену

Ограничения

Качество версии 4B отдельно не оценено в предоставленных материалах; заявленная скорость относится к FlashAR-варианту на H20. Поддержка генерации видео и чередующихся подзадач указана для Sequence-чекпойтов, а не для этой версии.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face
HighlightSummary
🧠World Foundation ModelA 34B autoregressive model for text, images, and embodied observations, initialized from EMU3.5.
🧩Unified Token SpaceUses a shared discrete visual tokenizer and a single next-token objective across multimodal sequences.
🤖Embodied SynthesisBridges foundation image generation with robot-centric scene, transfer, and video generation.
⚡Xiaomi-Robotics-U0-FlashAR AccelerationDecodes visual tokens in anti-diagonal groups and supports vLLM batching for high-resolution inference.
📦Open Inference RepoProvides inference code, composable configs, Gradio entry points, and AR / FlashAR vLLM patch sets.
📈1024x1024 T2I SpeedOn one H20, FlashAR vLLM reaches 5.44 s/img, 82.86x faster than AR eager and 3.04x faster than FlashAR eager.

Xiaomi-Robotics-U0 exposes six public task types through one autoregressive framework:

TaskInput → Output
🎨T2IText prompt → image.
🖼️X2IReference image plus instruction → generated or edited image.
🧭Scene GenScene and task description → multi-view embodied observations.
🔁TransferConditioned embodied observation → target RGB multi-view scene.
🦾interleave_subtaskInitial observations and task instruction → interleaved subtask text and observations.
🎬interleave_videoInitial observation and task context → embodied video rollout.

News

  • [September 2026] 🔥 Released Xiaomi-Robotics-U0-4B, Xiaomi-Robotics-U0-Sequence, and Xiaomi-Robotics-U0-4B-Sequence weights.
  • [September 2026] 💻 Open-sourced the FSDP training code.
  • [July 2026] 🎉 Released the Technical Report.
  • [July 2026] 🔥 Released Xiaomi-Robotics-U0 and Xiaomi-Robotics-U0-FlashAR weights.
  • [July 2026] 💻 Inference code and scripts are now live!

Table of Contents

  1. Model & Weights
  2. Inference
  3. Training
  4. Citation

Model & Weights

Xiaomi-Robotics-U0, Xiaomi-Robotics-U0-4B, and Xiaomi-Robotics-U0-FlashAR support Scene Gen, Transfer, T2I, and X2I. The Sequence checkpoints support interleave_subtask and interleave_video with the eager backend.

Model nameHugging Face WeightModelScope Weight
Xiaomi-Robotics-U0Hugging FaceModelScope
Xiaomi-Robotics-U0-FlashARHugging FaceModelScope
Xiaomi-Robotics-U0-4BHugging Face-
Xiaomi-Robotics-U0-SequenceHugging Face-
Xiaomi-Robotics-U0-4B-SequenceHugging Face-
VisionTokenizerHugging FaceModelScope

Inference

The complete inference implementation, environment setup, configuration reference, command-line examples, and distributed inference instructions are available in inference/README.md.

The repository supports both eager execution and vLLM backends for AR and FlashAR inference. A Gradio demo is also provided for interactive T2I, X2I, Scene Gen, and Transfer workflows.

Training

Training code and environment configuration are reserved for training/README.md and will be added in a future release.

Citation

If you find this work useful, please cite:

@misc{li2026xiaomiroboticsu0,
  title         = {{Xiaomi-Robotics-U0}: Unified Embodied Synthesis with World Foundation Model},
  author        = {Xinghang Li and Jun Guo and Qiwei Li and Long Qian and Hang Lai and Yueze Wang and Hongyu Yan and Jiahang Cao and Xi Chen and Jingen Qu and Jiaxi Song and Nan Sun and Hanye Zhao and Futeng Liu and Wanli Peng and Heyun Wang and Yunhong Wang and Caoyu Xia and Jack Zhao and Diyun Xiang and Hangjun Ye and Heng Qu and Huaping Liu and Jason Li},
  year          = {2026},
  eprint        = {2607.11643},
  archivePrefix = {arXiv},
  url           = {https://arxiv.org/abs/2607.11643}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
UNISForCausalLM
Ревизия весов
9b43740

0 моделей