小米这次没有绕弯子，直接扔出来一个Xiaomi-Robotics-U0——一个380亿参数的多模态自回归模型，把具身智能里的合成数据通路彻底打通了。它的野心不是做一个更好的图像生成器，而是把具身合成当成基础图像与视频生成的延伸来重新定义：文生图、图像编辑、具身场景生成、具身迁移和具身视频生成，五个任务塞进同一个框架里联合优化。这个思路很直给，因为过去大家总在分头解决这些事，小米偏要一锅出。
更关键的是，这是第一个能在多种机器人形态上做高质量多视角场景生成的模型，不再是给某个特定机械臂定制的窄模型。它引入的结构化可控具身迁移，让场景合成不再靠碰运气。在单步和序列生成任务上直接冲到SOTA，人类评估中甚至在具身场景生成与迁移上压过GPT‑Image‑2.0一头，World Arena具身视频生成赛道也拿了第一。数字漂亮，但真正让做机器人的同行坐不住的是另一个数据：在真实世界操控任务里，把pi_0.5的分布外成功率从36.9%一把拽到63.2%。这意味着用合成数据训练的模型，开始在物理世界中显出实打实的杠杆效应。
对于受困于真实数据采集成本、费力搭建各种场景的团队来说，这套全部开源的代码和检查点等于白送了一台数据引擎。小米用38B的体量证明了一件事：具身合成不必是具身智能的辅助线程，它可以成为主路径上的生成式基座。至于后续能否把更多形态的机器人塞进这套框架，那就要看社区怎么玩了。
