文章摘要
7月19日WAIC展会期间，面壁智能发布开源具身智能系列模型MiniCPM - Robot，含操作与移动导航两大核心场景模型。同期发布推理框架PhyAI提供底层支撑。该模型在上下文记忆、本地无网部署、推理性能方面有优化。目前已与乐聚、吉利开展落地合作，企业入局具身智能赛道并招募相关人才。

7月19日WAIC展会期间，企业发布开源具身智能系列模型MiniCPM-Robot，包含两大核心模块

本次推出的MiniCPM-Robot系列覆盖机器人操作与移动导航两大核心场景

  • 首款模型专注操作执行：MiniCPM-RobotManip为通用VLA模型，参数规模1.5B，支持本地部署，可让机器人结合视觉画面与语音指令输出对应动作

    该模型可在真机完成三明治制作等实操任务

  • 第二款模型负责移动导航：MiniCPM-RobotTrack由企业与南京大学合作开发，参数0.9B，原生适配宇树Go2 Edu机器狗，支持纯本地部署

    搭载该模型的机器狗可在开放环境实现零样本指令跟随

简单来说，两款模型分别解决了具身机器人的操作与移动核心需求

同期发布的推理框架PhyAI，由明体科技联合北邮、北大研发，支持端云一体全栈优化，为本次具身模型落地提供底层技术支撑

该企业长期深耕轻量化大模型端侧部署，旗下MiniCPM系列在开源社区广受认可，多模态模型MiniCPM-V/O历经两年多迭代，总下载量突破2500万。今年具身智能赛道热度攀升，企业在端侧的技术积累恰好匹配当前行业三大痛点：本地部署、上下文管理、推理优化

上下文记忆优化

具身智能模型的核心挑战之一是时序记忆能力，常规模型与机器人原生不具备时序记忆，也无法独立完成计数类任务。比如让机器人按动按钮5次，多数现有设备要么仅触发一次，要么持续按压无法精准控制

这类问题的根源在于主流架构未预留时序记忆计算空间，而机器人需要本地高频推理，每秒需处理多组图像输入，若直接加载全部历史画面会导致token数量爆炸，无法实时运行

高效视觉token压缩是端侧多模态模型的基本功，也是MiniCPM-V系列的核心优化方向。本次推出的MiniCPM-RobotManip基于今年5月发布的MiniCPM-V 4.6训练，该模型发布后两个月下载量突破200万，在视觉token压缩上做到极致，同时实现了具身场景的时序记忆优化

即使加载历史观测数据进行流式推理，该模型的计算量也与单帧反应式推理基本一致。在专门的VLA上下文记忆基准测试RMBench中，主流模型成绩接近随机猜测，而该模型拿到53分，处于行业第一梯队，其他传统榜单也表现优异

不同于多数VLA团队从单一场景切入再扩展全品类，该企业作为模型训练团队，从起步就面向通用智能开展多任务统一训练，综合编码效率更高

纯本地无网部署能力

具身智能落地常出现「demo惊艳、落地翻车」的问题，脱离网络后设备表现往往失控，比如电梯、地下停车场等信号薄弱场景，同时家庭工厂场景中云端传输画面会带来隐私合规风险。随着机器人进入日常场景，VLA必须支持本地运行

对于该企业来说，端侧部署已是成熟技术方向，本次的MiniCPM-RobotTrack严格遵循本地部署标准：基于自研MiniCPM4底座，搭配原装摄像头与机载算力，仅需一键脚本即可完成部署。该模型是业内首个真实本地纯无网部署的tracking模型，在机器狗原生算力上可稳定实现5+ FPS帧率，端到端时延约180毫秒

即使采用纯本地部署，模型性能也未打折扣：在单目标跟踪、多人干扰、模糊指令三类真实场景测试中，追踪率分别为89.8%、73.4%、80.4%，在开源方案中全部最优。对比OpenTrackVLA分别高出7.0、14.6、6.5个百分点；对比闭源方案TrackVLA++，在相同单视角、纯SFT设定下，单目标跟踪与模糊指令两项分别领先8.8和17.0个百分点，模糊指令成功率达58.0%

该模型的优异表现源于团队搭建的DAgger闭环自进化数据管线：先在大规模通用数据上完成基础预训练，再将模型投入仿真与真机环境持续交互，暴露横穿镜头、快速转向、短时遮挡等短板场景，系统定向采集薄弱场景数据，用专家策略补充高质量训练数据后回传再训练

该无网部署方案可应用于地震火灾等通信瘫痪的救援场景，未来「断网测试」或将成为具身智能的标准出场测试项

推理性能优化

常规大模型卡顿仅影响使用体验，但机器人作为落地设备绝对不能出现明显延迟。比如帮用户拉拉链时延迟半秒可能造成误伤，因此机器人操作的响应时间有明确红线，过长延迟会让设备失去实用价值

压低响应时间需要从算力、参数规模、推理优化三个维度优化：

  • 算力层面当前硬件上限并非普通团队可自主决定，暂不纳入本次讨论

  • 参数规模方面，当前主流VLA模型普遍采用3B左右的参数规模，进一步提升参数不会带来体验的明显改善

  • 推理优化正是端侧AI团队的核心强项

本次发布的PhyAI框架在发布首日就完成了对MiniCPM-Robot系列的适配：通过CUDA Graph加速，推理帧率从10.12Hz提升至33.28Hz；再通过Triton编写定制融合算子，减少中间变量搬运，在H20平台上将帧率进一步提升至36.77Hz

该框架的优化能力可覆盖行业通用模型：在RTX 5090上运行π0、π0.5、GR00T，分别实现2.85、1.82、2.28倍的性能加速

落地应用场景

目前公开的落地合作有两条线路：

第一条是与乐聚机器人合作，推出展厅导览与园区巡检两套方案：展厅导览支持无网纯端侧运行，可离线讲解本地知识库、自由问答，同时实时理解展厅环境并规划避障路线；园区巡检可监控违停车辆、路面异常、公共设施异常，敏感画面就地分析，数据主权完全归客户

第二条是与吉利的工业场景合作，双方从模型层联合训练VLA，通过RoboHarness框架整合多模态大模型、VLA与导航系统，在仓储场景开展长程任务测试，并内置数据闭环实现持续迭代优化

总结与招聘

整体来看，该企业正式入局具身智能赛道，依托端侧技术积累推出全套解决方案。做通用人工智能的企业，最终都需要从虚拟语言世界走进物理现实，该企业的路径也为同行提供了新参考：机器人的技术卡点未必只能从自动化领域寻找答案

此外，该企业目前正在招募具身智能方向的专业人才，有意向的求职者可通过官方内推渠道投递简历

以上内容不代表本平台立场，仅供读者参考