Xiaomi-Robotics-U0-4B 属于 Xiaomi-Robotics-U0 系列，面向文本、图像与具身观测的统一自回归框架。项目将其定位为 World Foundation Model，采用共享的离散视觉 tokenizer，并在多模态序列上使用统一的 next-token 目标；文中同时提到 Xiaomi-Robotics-U0 初始化自 EMU3.5。

该系列公开支持 T2I、X2I、Scene Gen、Transfer、interleave_subtask 和 interleave_video 六类任务，其中 U0、U0-4B 与 U0-FlashAR 支持 Scene Gen、Transfer、T2I、X2I，Sequence 检查点支持 interleave_subtask 与 interleave_video。推理侧提供 eager 与 vLLM 后端，覆盖 AR 和 FlashAR，并提供用于 T2I、X2I、Scene Gen、Transfer 的 Gradio 入口。