面壁开源1.5B/0.9B通用VLA模型，机器狗断网也能跟人跑

事件概述

面壁智能于WAIC期间正式发布并开源MiniCPM-Robot系列模型及具身智能推理框架PhyAI。该系列包含两个模型：

• MiniCPM-RobotManip：1.5B参数量，通用VLA模型，用于控制机械臂执行操作任务（如做三明治）。
• MiniCPM-RobotTrack：0.9B参数量，负责机器人跟踪与导航，让机器人依据自然语言指令在动态环境中持续跟随目标。

核心能力与表现

MiniCPM-RobotManip

• 在LIBERO、Calvin、RoboTwin2等主流VLA评测中，整体表现与π0.5等模型处于同一梯队。
• 记忆力优势：能将历史观测和已执行动作纳入判断，在专门考察上下文记忆的RMBench中得分为约53分（π0.5约10分，接近随机）。这对完成叠衣服、收拾桌面等长链任务至关重要。
• 低延迟：H100、bf16精度下单帧决策延迟约120毫秒，接近π0.5（234毫秒）的一半。
• 通过压缩视觉Token和使用流式计算减少计算量，仅保留与任务相关的信息，支持更长历史记忆且不导致计算量暴涨。

MiniCPM-RobotTrack

• 基于MiniCPM4-0.5B，整体参数0.9B。
• 在单目标跟踪、多人干扰跟踪、模糊目标跟踪三种真实场景下，追踪率分别达89.8%、73.4%和80.4%，均属开源方案最优。相比OpenTrackVLA，三项分别提高7.0、14.6和6.5个百分点。与闭源TrackVLA++（单视角、纯SFT设定）相比，单目标跟踪高出8.8个百分点，模糊目标跟踪高出17.0个百分点。
• 无需额外目标检测或跟踪模块，仅靠宇树Go2 Edu原装摄像头和本地算力运行，端到端延迟约180毫秒，稳定达到5Hz以上。
• 采用自进化数据管线处理长尾场景（目标横穿、快速转向、短时遮挡、多人交叉等），通过闭环训练持续优化。
• 在电梯、地下停车场等弱网或无网环境下仍可正常完成目标识别和跟踪。

推理框架PhyAI

• 由明体科技联合北京邮电大学、北京大学研发，旨在缩短具身模型从实验室到真实机器人的适配时间。
• 在RTX 5090上运行π0、π0.5、GR00T时，相较官方仓库分别提速约2.85倍、1.82倍和2.28倍。
• 适配MiniCPM-Robot系列时，通过CUDA Graph将推理帧率从10.12Hz提至33.28Hz，再加入定制融合算子后在NVIDIA H20上进一步提至36.77Hz。

落地合作

• 乐聚机器人：将端侧多模态大模型与夸父机器人本体、导航系统结合，推出展厅导览Agent和园区巡检Agent。导览机器人在无网环境下可离线讲解、自由问答；巡检机器人可识别车辆违停、路面异常等，数据本地处理。
• 吉利汽车：共同训练VLA模型，通过RoboHarness框架将VLM、VLA、机器人本体和导航集成，执行仓储长程任务。框架管理长任务上下文和记忆，支持失败重试与恢复，运行数据进入数据闭环以持续优化模型。

值得关注

面壁智能强调具身智能应走“先通后专”路线，先提升基础模型的泛化性，再覆盖具体场景。MiniCPM-Robot系列在极小参数量下实现了可比的VLA性能，并解决了记忆和低延迟两大痛点，同时支持本地化断网运行。PhyAI框架则进一步降低了VLA模型的部署门槛。这一路径表明，具身智能的竞争正从单纯比拼参数量，转向更注重单位算力下的实际能力和工程效率。