清华系200亿独角兽杀入具身智能！攻破记忆难题，底牌都彻底开源

真正有记忆力的机器人VLA模型，是什么样子？

先不卖关子了，让我们直接看几个看似很简单的演示。

比如，先盖住不同颜色方块后 ，让机械臂以红绿蓝顺序揭开。

或者，试试它是否可以精准按下不同次数的按钮？

图中的机械臂，全部做到了！

看似简单的能力，其实难倒了业界不少机器人。真正的困难，藏在一个看不见的地方——记忆。

原因就在于，很多机器人根本不记得自己按了几次。

而上图演示中这种原生上下文的能力，当前主流基于单帧反应式的VLA是做不到的。

好在，就在刚刚，面壁智能把具身智能的这块致命短板，补上了！

7月19日，WAIC现场，面壁智能开源了首个具身智能系列模型成果MiniCPM-Robot，包含2个模型：MiniCPM-RobotManip（通用VLA模型）、MiniCPM-RobotTrack（跟踪导航模型）。

其中的MiniCPM-RobotManip，在专门考虑机器人模型的上下文记忆能力RMBench榜单上，达到53.5分的水平，而美国知名 VLA 模型pi0.5只有10.4。

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

Hugging Face链接：

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

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

性能比肩行业顶尖

机器人不会5次按钮，因为目前的绝大多数VLA模型，都只有「单帧反应」的能力。

现在大部分团队的做法，是让机器人只根据眼前的这一帧画面来决定动作。

这就导致在「按5次按钮」的任务中，当机器人按完第1次，准备进行下一次推理时，它的大脑是完全空白的。

为什么不给机器人加上「上下文历史记忆」呢？

答案是，算力根本扛不住。

如果要让模型记住历史画面，计算量会呈指数级爆炸。大部分团队无法对视觉Token进行高效压缩。如果强行加上记忆，机器人就会变成「树懒」，动作开始卡顿。

而这，恰恰是面壁智能的统治区。

在考验机器人模型上下文记忆的RMBench上，出现戏剧性的一幕：专用明星模型π0.5，惨遭滑铁卢，得分只有10.4分；而MiniCPM-RoboManip，却一举拿下53.5分，直接碾压。

在LIBERO等传统主流榜单上，MiniCPM-RobotManip同样跻身第一梯队，性能比肩行业顶尖。

面壁智能到底做对了什么？答案是：「视觉Token的极致压缩」。

这款1.5B参数规模的VLA模型，继承了面壁智能在今年5月发布的最新多模态大模型MiniCPM-V 4.6的核心技术优势。

MiniCPM-V 4.6这款模型开源不到2个月，下载量即突破200w+，在多模态基础模型社区十分火爆。

面壁智能学术合伙人、多模态智能首席科学家姚远

通过极致的视觉压缩技术，面壁将VLA模型从「算力饥饿」中解放出来，让机器人在真实物理世界中以更低的成本「跑起来」。

机器人场景下，VLA模型每次推理需处理三路相机画面（双腕部+主视角）加文本指令，并输出动作。若处理过慢，机器人便出现肉眼可见的卡顿，而在物理世界中，这种延迟是致命的。

视觉Token压缩，本质是做精准的「减法」。不经过处理的多路图像会生成海量Token，直接拖垮推理速度。高效压缩能用更少Token承载同等视觉信息，就像高清图转高质量JPEG——画质不减，体积锐减。

数据最直观：MiniCPM-RobotManip单步决策仅需120ms，而pi0.5需234ms——后者时长几乎是前者的2倍。

在处理上下文记忆时，Token的极致压缩让MiniCPM-RobotManip计算成本也大幅下降。

无历史帧输入的pi0.5，算力固定在5.0 TFLOPS，但代价是放弃了历史记忆，模型「忘记过去，只管当下」。

而MiniCPM-RobotManip（流式推理+子任务生成）：算力从0.1 TFLOPS起步，随历史帧增加仅缓慢爬升至1.3 TFLOPS（对应120帧）。即便在60秒、1fps的长期记忆场景下，算力也仅约3.3 TFLOPS，始终低于pi0.5的5.0 TFLOPS。

因此，它用超低成本，实现了「带脑子、带记忆」的高级推理。

这就是为什么，它可以让机器人连贯地完成「做三明治」，不卡顿、不遗忘，跟人类一样丝滑。

更妙的是，在处理「上下文记忆」时，它的计算成本几乎不增加。

MiniCPM-RobotManip通过视觉Token极致压缩，让「有记忆」的推理成本和「无记忆」的推理成本基本持平。

拔掉网卡，

这只机器狗还能「死死咬住」你？

在WAIC期间，面壁智能还开源了一个追踪导航模型——MiniCPM-RobotTrack。

面壁的一个真机demo case演示令人印象深刻：一只宇树Go2机器狗紧紧跟随一名指定人员。

接着，工作人员走上典型的无网环境电梯——这几乎相当于直接拔掉了机器狗身上的网卡，没有Wi-Fi。

最后，机器狗和工作人员一起做电梯，达到另一个软网环境：地下车库。

这是业内首个提供真实本地纯无网部署的跟踪模型，而且开箱即用！并且原生适配宇树Go2 Edu机器狗。

可以在开放环境下零样本指令跟随，并且抗各类人物穿梭干扰，同时可以在无网/弱网环境（电梯/停车场）下流畅跟随。

这个仅有0.9B参数规模的模型，基于MiniCPM4-0.5B训练完成，在同类开源模型中性能稳居第一。

在三大典型真实场景维度测试中：它达到以下结果。

STT（单目标追踪）：追踪率达到89.81。

DT（干扰追踪，即多目标交叉干扰）：追踪率达到73.38。

AT（模糊追踪，指令意图模糊或目标信息不全）：追踪率达到80.35。

它不仅全面碾压了开源的OpenTrackVLA，甚至在STT和AT任务上，领先了闭源的、动用了四路视觉且经过RL训练的TrackVLA++ four-view惊人的7.11和16.55个百分点！

一个0.5B的轻量级单视角模型，凭什么能超越前辈大模型？

秘诀在于面壁智能构建的「自进化数据管线（DAgger）策略」。

他们系统化清洗原始数据，剔除仿真器早期产生的异常轨迹、错误动作等脏数据，保障训练数据质量。

在此基础上，首次提出面向具身追踪的DAgger策略：模型先在大规模通用场景上预训练，再持续部署至仿真与真实环境中交互，主动暴露长尾薄弱场景。

系统自动识别短板，定向采集薄弱数据，经专家策略与规则纠偏后迭代训练。闭环迭代不断强化低频复杂场景，显著提升模型在动态环境中的追踪与泛化能力。

只需几分钟，一台刚开箱的宇树Go2 Edu机器狗，跑上一段面壁的一键部署脚本，就能瞬间获得纯视觉、纯本地的自然语言指令跟踪能力，能够在机器狗原生本地算力条件下稳定达到5+ FPS，端到端响应时延约180毫秒。

这是首次实现基于纯视觉方案的本地自主指令追踪。

当下，已验证适用于楼宇巡检、人员陪护、园区安防等结构化环境，证明其可靠性与泛用性。

未来突破，凭借弱网/断网下的自主决策能力，瞄准灾害救援（地震/火灾）与特种作业（对抗/侦察）。在这些高风险场景中，180ms的低延迟是决定搜救效率与生存概率的核心生存力。

从模型到推理框架

面壁这两个模型的推理效率，也得到了推理框架PhyAI的帮助。

推理框架PhyAI是由明体科技（MemBodied）联合北京邮电大学、北京大学共同研发的端云一体、全栈优化的具身智能模型推理建构。

如果说模型是大脑，推理框架就是让大脑高效运转的操作系统。

PhyAI面向VLA（视觉-语言-动作）模型与世界模型（WAM），榨干硬件潜力——

与模型官方仓库相比，PhyAI在NVIDIA GeForce RTX 5090上运行π0、π0.5和GR00T时，分别实现了约2.85倍、1.82倍和2.28倍加速；GR00T在NVIDIA Thor和RTX PRO 6000上也分别实现约1.40倍和4.31倍加速。

通过简洁的API，PhyAI在发布首日即完成了对MiniCPM-Robot的适配支持，并使用CUDA Graph 进行加速，推理帧率从10.20 Hz提升至33.2Hz。

同时，团队还采取了算子融合的方法，将其在NVIDIA H20上的推理帧率进一步提升至36.77Hz。

此次开源的不仅是模型权重，而是完整的技术栈：模型+推理框架+部署方案。

对于开发者来说，这意味着拿到手就能用，不需要重新搭建复杂的感知、规划和控制系统。

对行业来说，这意味着具身智能的研发门槛被大幅拉低了。

下半场才开始，

具身智能是AGI终局的必需品

面壁智能为何布局具身智能？

这不是偶然。AI竞赛下半场的主题之一，是让AI拥有身体，进入物理世界。

面壁智能、智谱等纷纷布局具身智能，是行业趋势。

目前大模型公司都在追求语言层面的通用智能，但物理层面的通用智能才刚刚开始。只有语言层面与物理层面的通用智能同时实现，才能实现真正的AGI。

面壁是一家追求通用人工智能的大模型公司，并选了一条区别于云侧的路线：端侧。终端包括手机、汽车、机器人等等。所以面壁智能布局具身智能，是情理之中。

在WAIC上，面壁智能还展示了与乐聚机器人、吉利汽车等伙伴的产业落地案例——展厅导览、园区巡检、仓储物流……端侧能力在这些场景里不是「加分项」，而是「入场券」。

展馆、园区、厂区的很多角落存在信号盲区。为了保证机器人在任何网络环境下都能稳定干活，恰恰要靠强大的端侧模型来兜底。

这是端侧AI的独特价值：隐私安全、低延迟、无网可用。

此外，得益于过去的基础模型训练经验与技术积累，面壁还有独特的优势：

追求通用智能，而非专用skill；

多模态技术积累深厚，技术底气足。

面壁智能坚持以通用智能为起点，让机器人处理更普适、更流水线、更长程的任务。MiniCPM-RobotManip正是这一理念的产物：先打造通用大脑，再适配多元场景。这与多数具身团队从特定场景出发、由点及面地打磨专用技能的路径不同。

具身智能天然依赖视觉、语言等多模态信息的融合，而这面壁有浓厚的多模态技术积累。

自研多模态模型MiniCPM-V/O系列已迭代两年半，开源下载量突破2500万；MiniCPM-V 4.6开源不到2个月下载量突破200w，在国内外社区影响力广泛。

正是这份多模态家底，让面壁能够快速切入机器人赛道，用视觉Token极致压缩解决了机器人的「金鱼脑」记忆短板。

这家公司用自己的节奏，走出一条独特的端侧AGI之路。

机器人真正「好用」的关键，往往藏在看不见的地方——比如，记得住自己按了几次按钮。

看着能优雅做出三明治的机械臂，我们有理由相信：属于中国机器人的AGI时代，已经开启。

面壁智能具身智能团队热招VLA、世界模型、硬件相关研究及工程岗位，可通过以下二维码投递:

文章来源：新智元。