清華系200億獨角獸殺入具身智能！攻破記憶難題，底牌都徹底開源

真正有記憶力的機器人VLA模型，是什么樣子？

先不賣關子了，讓我們直接看幾個看似很簡單的演示。

比如，先蓋住不同顏色方塊后 ，讓機械臂以紅綠藍順序揭開。

或者，試試它是否可以精準按下不同次數的按鈕？

圖中的機械臂，全部做到了！

看似簡單的能力，其實難倒了業界不少機器人。真正的困難，藏在一個看不見的地方——記憶。

原因就在于，很多機器人根本不記得自己按了幾次。

而上圖演示中這種原生上下文的能力，當前主流基于單幀反應式的VLA是做不到的。

好在，就在剛剛，面壁智能把具身智能的這塊致命短板，補上了！

7月19日，WAIC現場，面壁智能開源了首個具身智能系列模型成果MiniCPM-Robot，包含2個模型：MiniCPM-RobotManip（通用VLA模型）、MiniCPM-RobotTrack（跟蹤導航模型）。

其中的MiniCPM-RobotManip，在專門考慮機器人模型的上下文記憶能力RMBench榜單上，達到53.5分的水平，而美國知名 VLA 模型pi0.5只有10.4。

GitHub鏈接：https://github.com/OpenBMB/MiniCPM-Robot

Hugging Face鏈接：

https://huggingface.co/openbmb/MiniCPM-RobotManip

https://huggingface.co/openbmb/MiniCPM-RobotTrack

性能比肩行業頂尖

機器人不會5次按鈕，因為目前的絕大多數VLA模型，都只有「單幀反應」的能力。

現在大部分團隊的做法，是讓機器人只根據眼前的這一幀畫面來決定動作。

這就導致在「按5次按鈕」的任務中，當機器人按完第1次，準備進行下一次推理時，它的大腦是完全空白的。

為什么不給機器人加上「上下文歷史記憶」呢？

答案是，算力根本扛不住。

如果要讓模型記住歷史畫面，計算量會呈指數級爆炸。大部分團隊無法對視覺Token進行高效壓縮。如果強行加上記憶，機器人就會變成「樹懶」，動作開始卡頓。

而這，恰恰是面壁智能的統治區。

在考驗機器人模型上下文記憶的RMBench上，出現戲劇性的一幕：專用明星模型π0.5，慘遭滑鐵盧，得分只有10.4分；而MiniCPM-RoboManip，卻一舉拿下53.5分，直接碾壓。

在LIBERO等傳統主流榜單上，MiniCPM-RobotManip同樣躋身第一梯隊，性能比肩行業頂尖。

面壁智能到底做對了什么？答案是：「視覺Token的極致壓縮」。

這款1.5B參數規模的VLA模型，繼承了面壁智能在今年5月發布的最新多模態大模型MiniCPM-V 4.6的核心技術優勢。

MiniCPM-V 4.6這款模型開源不到2個月，下載量即突破200w+，在多模態基礎模型社區十分火爆。

面壁智能學術合伙人、多模態智能首席科學家姚遠

通過極致的視覺壓縮技術，面壁將VLA模型從「算力饑餓」中解放出來，讓機器人在真實物理世界中以更低的成本「跑起來」。

機器人場景下，VLA模型每次推理需處理三路相機畫面（雙腕部+主視角）加文本指令，并輸出動作。若處理過慢，機器人便出現肉眼可見的卡頓，而在物理世界中，這種延遲是致命的。

視覺Token壓縮，本質是做精準的「減法」。不經過處理的多路圖像會生成海量Token，直接拖垮推理速度。高效壓縮能用更少Token承載同等視覺信息，就像高清圖轉高質量JPEG——畫質不減，體積銳減。

數據最直觀：MiniCPM-RobotManip單步決策僅需120ms，而pi0.5需234ms——后者時長幾乎是前者的2倍。

在處理上下文記憶時，Token的極致壓縮讓MiniCPM-RobotManip計算成本也大幅下降。

無歷史幀輸入的pi0.5，算力固定在5.0 TFLOPS，但代價是放棄了歷史記憶，模型「忘記過去，只管當下」。

而MiniCPM-RobotManip（流式推理+子任務生成）：算力從0.1 TFLOPS起步，隨歷史幀增加僅緩慢爬升至1.3 TFLOPS（對應120幀）。即便在60秒、1fps的長期記憶場景下，算力也僅約3.3 TFLOPS，始終低于pi0.5的5.0 TFLOPS。

因此，它用超低成本，實現了「帶腦子、帶記憶」的高級推理。

這就是為什么，它可以讓機器人連貫地完成「做三明治」，不卡頓、不遺忘，跟人類一樣絲滑。

更妙的是，在處理「上下文記憶」時，它的計算成本幾乎不增加。

MiniCPM-RobotManip通過視覺Token極致壓縮，讓「有記憶」的推理成本和「無記憶」的推理成本基本持平。

拔掉網卡，

這只機器狗還能「死死咬住」你？

在WAIC期間，面壁智能還開源了一個追蹤導航模型——MiniCPM-RobotTrack。

面壁的一個真機demo case演示令人印象深刻：一只宇樹Go2機器狗緊緊跟隨一名指定人員。

接著，工作人員走上典型的無網環境電梯——這幾乎相當于直接拔掉了機器狗身上的網卡，沒有Wi-Fi。

最后，機器狗和工作人員一起做電梯，達到另一個軟網環境：地下車庫。

這是業內首個提供真實本地純無網部署的跟蹤模型，而且開箱即用！并且原生適配宇樹Go2 Edu機器狗。

可以在開放環境下零樣本指令跟隨，并且抗各類人物穿梭干擾，同時可以在無網/弱網環境（電梯/停車場）下流暢跟隨。

這個僅有0.9B參數規模的模型，基于MiniCPM4-0.5B訓練完成，在同類開源模型中性能穩居第一。

在三大典型真實場景維度測試中：它達到以下結果。

STT（單目標追蹤）：追蹤率達到89.81。

DT（干擾追蹤，即多目標交叉干擾）：追蹤率達到73.38。

AT（模糊追蹤，指令意圖模糊或目標信息不全）：追蹤率達到80.35。

它不僅全面碾壓了開源的OpenTrackVLA，甚至在STT和AT任務上，領先了閉源的、動用了四路視覺且經過RL訓練的TrackVLA++ four-view驚人的7.11和16.55個百分點！

一個0.5B的輕量級單視角模型，憑什么能超越前輩大模型？

秘訣在于面壁智能構建的「自進化數據管線（DAgger）策略」。

他們系統化清洗原始數據，剔除仿真器早期產生的異常軌跡、錯誤動作等臟數據，保障訓練數據質量。

在此基礎上，首次提出面向具身追蹤的DAgger策略：模型先在大規模通用場景上預訓練，再持續部署至仿真與真實環境中交互，主動暴露長尾薄弱場景。

系統自動識別短板，定向采集薄弱數據，經專家策略與規則糾偏后迭代訓練。閉環迭代不斷強化低頻復雜場景，顯著提升模型在動態環境中的追蹤與泛化能力。

只需幾分鐘，一臺剛開箱的宇樹Go2 Edu機器狗，跑上一段面壁的一鍵部署腳本，就能瞬間獲得純視覺、純本地的自然語言指令跟蹤能力，能夠在機器狗原生本地算力條件下穩定達到5+ FPS，端到端響應時延約180毫秒。

這是首次實現基于純視覺方案的本地自主指令追蹤。

當下，已驗證適用于樓宇巡檢、人員陪護、園區安防等結構化環境，證明其可靠性與泛用性。

未來突破，憑借弱網/斷網下的自主決策能力，瞄準災害救援（地震/火災）與特種作業（對抗/偵察）。在這些高風險場景中，180ms的低延遲是決定搜救效率與生存概率的核心生存力。

從模型到推理框架

面壁這兩個模型的推理效率，也得到了推理框架PhyAI的幫助。

推理框架PhyAI是由明體科技（MemBodied）聯合北京郵電大學、北京大學共同研發的端云一體、全棧優化的具身智能模型推理建構。

如果說模型是大腦，推理框架就是讓大腦高效運轉的操作系統。

PhyAI面向VLA（視覺-語言-動作）模型與世界模型（WAM），榨干硬件潛力——

與模型官方倉庫相比，PhyAI在NVIDIA GeForce RTX 5090上運行π0、π0.5和GR00T時，分別實現了約2.85倍、1.82倍和2.28倍加速；GR00T在NVIDIA Thor和RTX PRO 6000上也分別實現約1.40倍和4.31倍加速。

通過簡潔的API，PhyAI在發布首日即完成了對MiniCPM-Robot的適配支持，并使用CUDA Graph 進行加速，推理幀率從10.20 Hz提升至33.2Hz。

同時，團隊還采取了算子融合的方法，將其在NVIDIA H20上的推理幀率進一步提升至36.77Hz。

此次開源的不僅是模型權重，而是完整的技術棧：模型+推理框架+部署方案。

對于開發者來說，這意味著拿到手就能用，不需要重新搭建復雜的感知、規劃和控制系統。

對行業來說，這意味著具身智能的研發門檻被大幅拉低了。

下半場才開始，

具身智能是AGI終局的必需品

面壁智能為何布局具身智能？

這不是偶然。AI競賽下半場的主題之一，是讓AI擁有身體，進入物理世界。

面壁智能、智譜等紛紛布局具身智能，是行業趨勢。

目前大模型公司都在追求語言層面的通用智能，但物理層面的通用智能才剛剛開始。只有語言層面與物理層面的通用智能同時實現，才能實現真正的AGI。

面壁是一家追求通用人工智能的大模型公司，并選了一條區別于云側的路線：端側。終端包括手機、汽車、機器人等等。所以面壁智能布局具身智能，是情理之中。

在WAIC上，面壁智能還展示了與樂聚機器人、吉利汽車等伙伴的產業落地案例——展廳導覽、園區巡檢、倉儲物流……端側能力在這些場景里不是「加分項」，而是「入場券」。

展館、園區、廠區的很多角落存在信號盲區。為了保證機器人在任何網絡環境下都能穩定干活，恰恰要靠強大的端側模型來兜底。

這是端側AI的獨特價值：隱私安全、低延遲、無網可用。

此外，得益于過去的基礎模型訓練經驗與技術積累，面壁還有獨特的優勢：

追求通用智能，而非專用skill；

多模態技術積累深厚，技術底氣足。

面壁智能堅持以通用智能為起點，讓機器人處理更普適、更流水線、更長程的任務。MiniCPM-RobotManip正是這一理念的產物：先打造通用大腦，再適配多元場景。這與多數具身團隊從特定場景出發、由點及面地打磨專用技能的路徑不同。

具身智能天然依賴視覺、語言等多模態信息的融合，而這面壁有濃厚的多模態技術積累。

自研多模態模型MiniCPM-V/O系列已迭代兩年半，開源下載量突破2500萬；MiniCPM-V 4.6開源不到2個月下載量突破200w，在國內外社區影響力廣泛。

正是這份多模態家底，讓面壁能夠快速切入機器人賽道，用視覺Token極致壓縮解決了機器人的「金魚腦」記憶短板。

這家公司用自己的節奏，走出一條獨特的端側AGI之路。

機器人真正「好用」的關鍵，往往藏在看不見的地方——比如，記得住自己按了幾次按鈕。

看著能優雅做出三明治的機械臂，我們有理由相信：屬于中國機器人的AGI時代，已經開啟。

面壁智能具身智能團隊熱招VLA、世界模型、硬件相關研究及工程崗位，可通過以下二維碼投遞:

文章來源：新智元。