1.5B开源通用VLA模型，冲进具身智能第一梯队
内容提要
面壁智能发布MiniCPM-Robot系列具身智能模型，包括用于机械臂操作的1.5B Manip模型和用于机器狗目标跟踪的0.9B Track模型。模型在评测中表现优异，推理延迟低，支持本地弱网运行。同时开源PhyAI推理框架以加速硬件适配，并与乐聚、吉利合作，落地展厅导览、园区巡检和仓储任务。
延伸解读
小参数模型的实用价值
MiniCPM-Robot系列将模型参数控制在1.5B和0.9B，并非单纯追求小，而是为了满足机器人实际运行需求。文章指出，约200毫秒是机器人操作体验的临界线，小模型能降低推理延迟，例如Manip模型在H100上单次决策约120毫秒，接近π0.5的一半。此外，小模型更易在本地部署，适应弱网或无网环境，如机器狗在电梯和地下停车场仍能稳定工作。这体现了具身智能从拼规模转向拼单位算力效率的趋势。
记忆能力是长任务的关键
文章强调，许多VLA模型仅依赖当前帧画面，导致长任务中容易“失忆”。MiniCPM-RobotManip通过将历史观测和动作纳入判断，在RMBench评测中得分约53分，远超π0.5的约10分。这种记忆能力对真实场景至关重要，如做三明治、叠衣服等任务需要连续动作，机器人必须记住已完成的步骤才能正确执行后续操作。这提示读者，评估VLA模型时，除了单步精度，还需关注其处理长程任务的能力。
端侧部署与数据隐私
面壁智能强调端侧能力，不仅因为弱网环境下的可靠性，还涉及数据隐私和合规。与乐聚合作的园区巡检机器人，敏感画面在本地处理，数据留在客户侧，避免上传云端。这符合企业对数据安全的关切。同时，本地部署减少了网络依赖，降低了延迟，提升了响应速度。对于实际应用，端侧AI能更好地适应工业场景的网络不稳定和隐私要求，是具身智能落地的重要考量。
工程优化与开源生态
除了模型本身，面壁还开源了推理框架PhyAI，旨在加速硬件适配和部署。PhyAI在RTX 5090上对π0、π0.5和GR00T分别实现约2.85倍、1.82倍和2.28倍加速，并针对MiniCPM-Robot系列优化，将推理帧率从10.12Hz提升至36.77Hz。这表明，模型效果之外，工程效率同样关键。开源模型权重、部署脚本和框架，有助于降低行业应用门槛，推动具身智能从Demo走向实际生产。
Q&A
面壁智能发布的MiniCPM-Robot系列模型有哪些？分别有什么用途？
MiniCPM-Robot系列包含两个模型：MiniCPM-RobotManip（1.5B）用于机械臂操作，MiniCPM-RobotTrack（0.9B）用于机器狗目标跟踪。
MiniCPM-RobotManip在评测中的表现如何？
在LIBERO、Calvin、RoboTwin2等主流VLA评测中，MiniCPM-RobotManip整体表现进入第一梯队，与π0.5等模型相近。在RMBench中，其得分约53分，远高于π0.5的约10分。
MiniCPM-RobotManip如何实现低延迟？
通过压缩视觉Token和采用流式计算，减少单次推理所需处理的信息量，从而降低延迟。在H100上单次决策延迟约120毫秒，约为π0.5的一半。
MiniCPM-RobotTrack在目标跟踪任务上的表现如何？
在单目标跟踪、多人干扰和模糊目标跟踪三类任务上，追踪率分别达到89.8%、73.4%和80.4%，均取得开源方案最优，相比OpenTrackVLA分别提高7.0、14.6和6.5个百分点。
PhyAI推理框架有什么作用？
PhyAI是开源的具身智能推理框架，用于加速模型在真实硬件上的适配和推理。在RTX 5090上运行π0、π0.5和GR00T时，分别实现约2.85倍、1.82倍和2.28倍加速。
面壁智能与乐聚和吉利合作的具体应用场景是什么？
与乐聚合作推出展厅导览Agent和园区巡检Agent，实现无网环境下的离线讲解和巡检；与吉利合作训练VLA模型，通过RoboHarness框架让机器人执行仓储长程任务。
MiniCPM-Robot系列模型为什么选择小尺寸？
小尺寸模型更适合端侧部署，满足低延迟、弱网运行和成本控制的需求。面壁认为约200毫秒是机器人操作体验的临界线，小模型能在有限算力下快速响应，同时降低部署成本。
