面壁智能发布首个具身智能成果 MiniCPM-Robot 系列，开源两款轻量 VLA 与跟踪模型

事件概述

7 月 19 日，面壁智能联合 OpenBMB 在世界人工智能大会（WAIC 2026）“智在终端 惠及千行”分论坛上正式发布并开源了首个具身智能成果——MiniCPM-Robot 系列模型。该系列包含两个具身智能模型：通用 VLA 模型 MiniCPM-RobotManip 和面向移动机器人跟踪导航的 MiniCPM-RobotTrack。

核心信息

MiniCPM-RobotManip（通用 VLA）

• 规模：1.5B 参数，基于多模态端侧模型 MiniCPM-V 4.6 训练。
• 性能：综合性能位列 VLA 模型第一梯队，与 Qwen-VLA、π0.5 等相近。在考验上下文记忆的 RMBench 基准上得分 53，远高于 π0.5（10 分）。支持 1 分钟具身原生记忆，可完成需多步记忆的操作（如按顺序揭开不同颜色方块）。
• 计算优势：视觉 Token 极致压缩带来流式推理低成本。在含 60 帧历史观测的任务中，流式推理仅需 3.3 TFLOPs（传统方式需 125 TFLOPs），低于 π0.5 无历史帧的 5.0 TFLOPs。H100 BF16 下单决策步推理时延 120ms，为 π0.5（234ms）的一半。

MiniCPM-RobotTrack（跟踪模型）

• 规模：0.9B 参数，端到端视觉指令跟踪模型，由面壁智能与南京大学合作研发。
• 特性：业内首个支持真实本地断网部署的跟踪模型，仅依靠机器狗原装摄像头和本地算力即可完成指令追踪。
• 评测：在单目标（STT）、动态多目标（DT）和模糊目标（AT）三类任务中追踪率分别达 89.8、73.4 和 80.4，均取得开源方案最优，相比 OmTrackVLA 提升 7.0、14.6 和 6.5 个百分点。与闭源模型 TrackVLA++ 相比（纯 SFT 设定），单目标和模糊目标追踪率提升 8.8 和 17.0 个百分点。
• 自进化数据管线：通过自动检测、人工复核及 DAgger 策略，在仿真与真机交互中主动补充高价值样本，提升复杂动态环境下的跟踪能力。
• 真机实测：在宇树 Unitree Go2 原生算力下稳定达到 5+ Hz，端到端响应时延约 180 毫秒。断网后仍能自主完成目标识别、跟踪与运动控制。
• 开源：提供完整部署流程与一键启动脚本，支持纯本地部署、开箱即用。

PhyAI 推理框架支持

两款模型均获得 PhyAI 框架的推理支持。PhyAI 面向 Physical AI 的端侧推理与云端 Rollout 设计，在 NVIDIA RTX 5090 上运行 π0、π0.5 和 GR00T 分别加速约 2.85 倍、1.82 倍和 2.28 倍。针对 MiniCPM-Robot 定制融合算子（RMSNorm+SiLU gate、conv1d+SiLU+QKV split 等），在 H20 上推理帧率可达 36.77 Hz。

产业合作

面壁智能已与乐聚机器人合作推出展厅导览和园区巡检 Agent 解决方案，并与吉利汽车围绕 VLA 模型及生产仓储应用展开合作。

开源地址

• GitHub：https://github.com/OpenBMB/MiniCPM-Robot
• Hugging Face：
  • MiniCPM-RobotManip：https://huggingface.co/openbmb/MiniCPM-RobotManip
  • MiniCPM-RobotTrack：https://huggingface.co/openbmb/MiniCPM-RobotTrack