小米宣布开源 Xiaomi-Robotics-U0，这是一个拥有 380 亿参数的多模态自回归具身生成基础模型。它的重要性不只在于参数规模，而在于试图用一个统一模型覆盖四类具身生成任务，并连接机器人图片、视频的生成与编辑流程。对机器人团队来说，这意味着数据增强可能从零散的图像脚本，升级为可批量调度、可追踪的数据生产管线。
真正昂贵的是重新采集数据
具身智能的数据成本不只来自相机、机械臂和场地，还来自每次环境变化后的重新布置与采集。例如，为了提高抓取模型的泛化能力，团队可能需要改变：
- 操作台上的目标物体；
- 光照方向、亮度和色温；
- 实验室、仓库等场景背景；
- 遮挡、杂物和视觉干扰；
- 视频中的任务条件或局部内容。
传统增强可以完成裁剪、翻转、色彩抖动，却很难同时维持物体位置、接触关系、相机视角和视频时序。来源摘要强调，Xiaomi-Robotics-U0 能在保持几何一致性的前提下执行换物体、换光照、换背景和增加干扰等编辑，无需重新采集原始动作。
这类能力的价值在于保留样本中昂贵的部分，例如机器人轨迹和交互结构，同时替换容易造成分布偏差的视觉条件。它并不自动保证合成数据可用于训练，标签、几何关系和时间一致性仍然需要单独验收。
统一模型改变的是数据链路
如果图片生成、视频生成、图片编辑和视频编辑分别依赖不同模型，工程团队通常需要维护四套输入格式、部署环境和质量规则。统一生成模型的直接收益，是让这些任务共享一条作业管线：
原始数据集
-> 选择增强策略
-> 生成或编辑图片/视频
-> 几何与时序检查
-> 标签继承或重新标注
-> 合成数据版本化
-> 与真实数据混合训练
需要注意，“统一”不代表所有任务使用完全相同的参数，也不代表生成结果可以跳过评估。图片编辑更关注局部结构是否漂移，视频编辑还要检查闪烁、物体身份变化、动作断裂和接触关系失真。
380 亿参数也带来明确的部署约束。实际采用前需要核对开源仓库公布的权重格式、精度选项、显存要求、推理框架和许可证；这些细节没有出现在来源摘要中，不应仅凭参数量推断单卡可运行性或生成速度。
可以这样实践：先生成可审计的增强任务清单
在接入真实模型 API 前，可以先把增强意图变成 JSONL 作业清单。下面的 Python 脚本只使用标准库，可以直接运行。它不会调用 Xiaomi-Robotics-U0，而是生成待提交给推理服务的任务；接入时需要按照开源项目实际接口替换字段或增加参数。
将脚本保存为 build_jobs.py，并准备 data/images 目录，其中放入若干 .jpg 或 .png 图片：
from __future__ import annotations
import argparse
import json
from pathlib import Path
AUGMENTATIONS = [
{
"type": "relight",
"instruction": "保持机器人、目标物体和相机几何关系不变，将光照改为低照度冷光。",
},
{
"type": "replace_background",
"instruction": "保持前景和接触关系不变，将背景替换为整洁的仓库工作台。",
},
{
"type": "add_distractors",
"instruction": "保持目标物体可见，在工作台边缘增加两个无关物体作为视觉干扰。",
},
]
def main() -> None:
parser = argparse.ArgumentParser()
parser.add_argument("--input", type=Path, required=True)
parser.add_argument("--output", type=Path, required=True)
parser.add_argument("--variants", type=int, default=1)
args = parser.parse_args()
images = sorted(
path for path in args.input.rglob("*")
if path.suffix.lower() in {".jpg", ".jpeg", ".png"}
)
if not images:
raise SystemExit(f"no images found under {args.input}")
args.output.parent.mkdir(parents=True, exist_ok=True)
job_count = 0
with args.output.open("w", encoding="utf-8") as stream:
for image in images:
for augmentation in AUGMENTATIONS:
for variant in range(args.variants):
job = {
"job_id": f"{image.stem}-{augmentation['type']}-{variant:02d}",
"task": "image_edit",
"input_path": str(image),
"instruction": augmentation["instruction"],
"constraints": {
"preserve_camera_view": True,
"preserve_robot_pose": True,
"preserve_contact_geometry": True,
},
"metadata": {
"source": "real",
"augmentation": augmentation["type"],
"variant": variant,
},
}
stream.write(json.dumps(job, ensure_ascii=False) + "\n")
job_count += 1
print(f"wrote {job_count} jobs to {args.output}")
if __name__ == "__main__":
main()
运行命令：
mkdir -p data/images jobs
python build_jobs.py \
--input data/images \
--output jobs/image-edit.jsonl \
--variants 2
python -m json.tool < <(head -n 1 jobs/image-edit.jsonl)
这份清单把生成条件、保真约束和数据来源写入每条记录。后续推理服务可以逐行消费任务，并把 job_id 写入输出文件名和元数据。这样即使更换模型版本，也能追踪某张合成图片由哪个原始样本、指令和参数产生。
如果开源项目提供的是命令行推理入口，可以在外层增加一个适配器。下面仅表示调用形态，u0-infer 及其参数是假设接口，必须按仓库实际文档修改：
while IFS= read -r job; do
printf '%s\n' "$job" | u0-infer \
--task image-edit \
--output-dir data/generated
done < jobs/image-edit.jsonl
合成数据不能未经检查直接入库
模型声称保持几何一致性，训练管线仍应设置机器检查和人工抽检。建议至少记录以下指标：
- 机器人关键点、末端执行器位置是否发生非预期漂移；
- 目标框、分割掩码和深度标签是否还能继承；
- 视频相邻帧是否出现闪烁、物体突变或动作跳跃；
- 编辑是否错误改变了抓取接触关系和任务结果；
- 合成样本是否过度集中于少数提示词或视觉风格；
- 只使用真实数据与混合合成数据时，验证集指标有何差异。
一个稳妥的起点是采用较低的合成数据比例，并固定只含真实采集数据的验证集。若验证集也被生成数据污染，指标可能只是在衡量模型对自身生成分布的适应程度。
采用前的工程清单
Xiaomi-Robotics-U0 展示的是一种值得关注的数据生产方式：用统一模型编辑已有具身数据，并把图片与视频生成纳入同一条链路。落地时不要只比较生成画面的观感，还要验证它是否保持了任务语义。
团队可以按以下顺序推进：确认许可证与权重可用范围；测量目标硬件上的吞吐、显存和延迟；建立真实数据基线；为几何和视频时序制定自动检查；保存提示词、随机种子、模型版本及源样本 ID；通过消融实验决定合成数据比例。只有当下游策略模型在真实验证集上获得稳定收益时，生成数据才真正降低了具身数据成本。