Xiaomi-Robotics-U0 是一个面向具身合成的世界基础模型，以统一自回归框架处理文本、图像和具身观测。模型规模为 38B，初始化自 EMU3.5，使用共享离散视觉 tokenizer，并在多模态序列上采用单一 next-token 目标。FlashAR 版本通过反对角分组解码视觉 token，并支持 vLLM batching 以加速高分辨率推理。

该仓库公开的任务类型包括 T2I、X2I、Scene Gen、Transfer 和 Video Gen；当前已发布权重支持 Scene Gen、Transfer、T2I 和 X2I，Video checkpoint 标注为即将发布。Transfer 可使用深度图参考，RGB Transfer 可选用 Depth Anything 3 将 RGB 参考图转换为 inverse-depth map。

使用方式上，所有任务共用同一推理入口，并通过 Python 配置文件组合 model_path、tokenizer_path、vq_path、任务提示、采样参数和运行时参数。推理支持 eager、AR vLLM 和 FlashAR vLLM 环境，vLLM patch 要求版本为 0.11.0；还提供基于 FastAPI 模型服务和 Gradio UI 的 FlashAR 演示，覆盖 T2I、X2I、Scene Gen 和 Transfer。