大模型之家讯 （报道：孟祥龙）在2026WAIC世界人工智能大会期间，端侧AI独角兽面壁智能联合OpenBMB正式发布并开源了其首个具身智能技术成果 MiniCPM-Robot 系列模型，端侧AI「小钢炮」正式进军机器人领域。
据悉，本次发布的MiniCPM-Robot系列成果包括：通用VLA模型MiniCPM-RobotManip，与面向移动机器人跟踪导航的MiniCPM-RobotTrack。
MiniCPM-RobotManip基于面壁智能最新多模态端侧模型MiniCPM-V 4.6训练完成，延续了 MiniCPM-V 4.6「小尺寸、高性能」与视觉Token极致压缩的技术优势，以仅1.5B的参数规模实现比肩体量更大的3-4B模型的性能、但流式实时推理计算成本减半，模型支持 1 分钟的具身原生记忆，从而能够高效完成考验上下文记忆的操作任务。
MiniCPM-RobotTrack由面壁智能和南京大学合作研发，是业内首个支持真实本地断网部署的跟踪（Tracking）模型，首次实现纯视觉的本地自主指令追踪。模型原生适配宇树Go2 Edu，仅依靠原装摄像头和本地算力即可完成单目标、动态多目标及模糊目标跟踪，稳定达到5+ Hz，端到端响应时延约180毫秒，并构建了自进化数据管线、能够持续提升复杂动态环境下的跟踪能力。
目前，MiniCPM-Robot 系列模型均已开源。
MiniCPM-RobotManip位列通用VLA模型第一梯队
MiniCPM-RobotManip 是一款面向机器人操作的 1.5B 通用 VLA 模型，保留了面壁智能多模态基础模型 MiniCPM-V 4.6 的通用理解能力，并基于多任务进行统一训练，让同一模型学习处理不同指令和操作任务。
根据主流 VLA 基准测试，MiniCPM-RobotManip 的综合性能位列 VLA 模型的第一梯队，与 Qwen-VLA、π0.5 等主流模型的性能相近、甚至有更出色的表现。
尤其是在考验VLA模型上下文记忆的RMBench上，MiniCPM-RobotManip明显超越多个主流模型：MiniCPM-RobotManip得分53，而主流的π0.5只有10分。MiniCPM-RobotManip将MiniCPM-V 4.6的视觉Token高效压缩优势进一步应用于机器人场景，大幅降低了机器人的视觉输入计算量与推理时延，使机器人在保留 1 分钟上下文记忆后的推理成本与传统单帧反应式的推理成本相当——换言之，模型性能更优、部署成本却更低。
根据测试，在包含 60帧历史观测 的机器人操作任务中，传统重新计算方式每个决策步需要 125 TFLOPs，采用流式推理后仅需 3.3 TFLOPs，低于 π0.5 在无历史帧输入下的 5.0 TFLOPs。在 H100、BF16 精度下，MiniCPM-RobotManip 单决策步推理时延为 120ms，相比 π0.5 的 234ms降低近一半，实现了上下文记忆与响应效率的兼顾。
首个本地断网部署跟踪模型MiniCPM-RobotTrack
据介绍，MiniCPM-RobotTrack 是一款0.9B端到端视觉指令跟踪模型，具有以下三个技术优势：
01 三项跟踪任务领跑开源 SOTA
从单目标跟踪（STT）、动态多目标跟踪（DT）和模糊目标跟踪（AT）三类典型场景维度对 MiniCPM-RobotTrack 进行了评测。
在仅有 0.9B 参数且未进行下游强化学习优化的情况下，MiniCPM-RobotTrack 在三项任务中的追踪率分别达到 89.8、73.4 和 80.4，取得开源方案最优结果，相比 OmTrackVLA 分别提升 7.0、14.6 和 6.5 个百分点。
在相同的单视角、纯 SFT（监督微调训练）设定下，与其他闭源模型TrackVLA++相比，MiniCPM-RobotTrack在单目标跟踪和模糊目标跟踪任务上的追踪率分别提升8.8和17.0个百分点，模糊目标跟踪任务的成功率达到 58.0%。这表明，通过高质量数据和端到端训练，轻量级模型无需依赖多视角输入或下游 RL，也能获得具有竞争力的真实场景指令追踪能力。
02 自进化数据管线，让模型在实践中越用越强
针对真机数据采集成本高、长尾场景覆盖有限等问题，MiniCPM-RobotTrack 构建了自进化数据管线，先通过自动检测与人工复核清洗异常轨迹、错误动作等低质量数据，再引入面向具身追踪的 DAgger 策略，让模型在仿真与真机交互中主动暴露薄弱环节，针对快速转向、短时遮挡、多人交叉等复杂场景持续补充高价值样本，在数据闭环中提升跟踪与泛化能力。
03 真机实测 5+ Hz，断网也能自主跟踪
经过对宇树Unitree Go2完整运行链路的系统性优化，MiniCPM-RobotTrack 模型在机器狗原生本地算力下稳定达到 5+ Hz，端到端响应时延约 180 毫秒。
在真机Demo中，即使现场拔掉网卡，机器狗仍能依靠本地视觉画面与文本指令持续完成目标识别、跟踪与运动控制。该能力可应用于楼宇巡检、人员陪护和园区安防，未来有望拓展至灾害救援、特种作业等弱网、断网或强干扰场景。
目前，面壁智能已经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、生产仓储应用等方向展开合作，推动具身智能技术在实际环境中持续验证和迭代。
对面壁智能而言，探索物理 AGI 与长期追寻的 AGI 目标一脉相承。随着机器人逐步进入家庭、办公和工厂，本地感知、推理与决策将成为保障实时性、稳定性和数据隐私的重要方向。
原创文章，作者：志斌，如若转载，请注明出处：http://damoai.com.cn/archives/17557
