上海WAIC，让我印象最深的是面壁智能MiniCPM-Robot

Digital AI和Physical AI之间，曾有一道难以跨越的鸿沟。

但现在，次元壁破了。

2026年7月19日，世界人工智能大会（WAIC）期间，面壁智能正式发布了其首个具身智能技术成果MiniCPM-Robot，包含两个模型 MiniCPM-RobotManip 和MiniCPM-RobotTrack，而且都开源了。

其中，MiniCPM-RobotManip是一个基于今年5月发布的多模态大模型MiniCPM-V 4.6训练而成的通用VLA（视觉-语言-动作）模型，参数规模仅1.5B，却能完成做三明治等真实世界操作任务。

制作三明治视频（五倍速）

在具身智能赛道日益拥挤的今天，面壁智能选择了一条与众不同的路径：从一开始就以通用智能为起点。

在开源平台上看了一下，还是很有惊喜的：

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

01从语言模型到物理智能

面壁智能做通用物理智能这件事，从两个时间点似乎都能看出铺垫。

2024年初，大模型行业还在卷参数规模，百亿千亿的模型层出不穷。

面壁智能却发了MiniCPM系列端侧模型，最小参数只有几亿，主打能在手机上运行。当时很多人不理解，觉得小尺寸模型性能上限有限。

两年过去，端侧模型成了行业共识。手机厂商、汽车厂商、家电厂商都在找能在终端本地运行的小尺寸模型。

面壁智能在这个赛道里，作为先行者，积累了超过3800万的开源下载量。

现在他们用同样的思路进入了具身智能。

MiniCPM-RobotManip只有1.5B参数，在传统VLA评测榜单上与Qwen-VLA、π0.5这些知名模型性能持平，但尺寸更小，推理更快。

MiniCPM-RobotTrack只有0.9B参数，在单目标跟踪、多目标干扰跟踪、模糊指令跟踪三个维度的评测中都做到了开源模型最优。

面壁智能的朋友说过一个判断：具身智能最终要进入家庭、办公、工厂这些真实场景，模型必须能跑在终端设备上。

云端模型响应再快也有网络延迟，功能再强也有隐私风险。

所以端侧是必经之路。

02视觉压缩破了记忆的局

MiniCPM-RobotManip的核心技术支撑，来自面壁智能今年5月发布的多模态模型MiniCPM-V 4.6。

这款模型有一个关键能力：视觉Token极致压缩。

简单来说，模型处理图片时生成的Token数量大幅减少，图像编码的计算量减半；也是和模型的参数量小有相关。

这个能力放到具身智能场景里，解决了一个很实际的问题。

VLA模型在推理时通常要处理三路相机输入，每路对应一张图片，加上文本指令，输出动作。

这个过程一秒要重复几次。

如果模型还要记住之前几秒的画面，Token数量翻倍，计算量飙升，推理速度变慢。

大多数VLA模型放弃了记忆。他们只根据当前画面做判断，不看之前发生了什么。

问题在于，很多任务天然需要记忆。

让机器人按一个按钮五次，如果模型看不到前序动作，按一次就停或者一直按不停。

RMBench就是专门测试机器人记忆能力的基准。

π0.5在RMBench上只拿到10分，接近随机水平。

MiniCPM-RobotManip凭借视觉压缩带来的计算冗余，在保留上下文记忆的同时不增加推理成本，拿了53分。

不算一个高到惊艳的分数，但在记忆这个维度上，53分已经是碾压式领先。

它证明了VLA模型可以具备上下文记忆能力，只是大多数团队没有找到正确的方法。

在看很多Demo的时候，我最直观的感受是连贯性。

机械臂在完成多步骤任务时，动作序列之间的衔接很自然，没有那种做完一步停下来重新感知的割裂感。

这种流畅度的提升在真实操作场景中不是锦上添花，是决定任务能否完成的必要条件。

03端到端跟踪，补上了部署的短板

MiniCPM-RobotTrack解决的，是另一个问题。

跟踪导航这件事，传统方法依赖检测加跟踪的流水线，先识别目标再追踪轨迹。

这套方案在干净环境下表现不错，一旦目标被遮挡、多个目标交叉运动、指令描述模糊，很容易丢失目标。

MiniCPM-RobotTrack的做法是端到端。

视觉观测、自然语言指令、机器人控制决策统一在一个模型里，直接从文本到行为映射，不做中间的目标检测。

在单目标跟踪任务上追踪率89.8，动态多目标干扰场景73.4，模糊指令场景80.4，全部是开源模型里的最优。

在模糊目标跟踪上，追踪率比闭源模型TrackVLA++高出17个百分点。

但真正让我觉得这件事做得扎实的，是部署层面的考虑。

MiniCPM-RobotTrack原生适配宇树Go2 Edu，提供完整的端到端部署流程。

用户只需要一台机器狗，运行一键部署脚本，不依赖任何云端服务，纯本地、纯视觉、无网络运行。

在电梯里、在地下停车场、在信号屏蔽的展馆，拔掉网卡，机器狗照常跟踪。

见过很多具身智能的demo在展会上跑得丝滑流畅，搬到客户现场就各种崩溃，原因往往很简单，现场网络环境不理想。

展厅、园区、厂区到处是信号盲区。

面壁智能联合乐聚机器人做的展厅导览方案，就是让机器人在无网环境下纯端侧运行。

多模态模型在本地理解环境、理解指令、规划路线，敏感数据不上传云端。

这个逻辑指向一个判断：机器人最终要进入人类社会，在家庭、办公、工厂等隐私场景中与人朝夕相处。

VLA模型最终一定要跑在终端上。

04推理框架，让模型跑得更快

模型能做出来是一回事，跑得快是另一回事。

明体科技联合北京邮电大学和北京大学研发的PhyAI推理框架，发布首日就完成了对MiniCPM-Robot的适配。

在NVIDIA H20上，MiniCPM-RobotManip的推理帧率从10.12Hz提升到了36.77Hz。

36.77帧每秒意味着单次推理时间约27毫秒。

行业里有个经验值，VLA模型推理速度要在200毫秒以内，机器人操作才不会明显卡顿。27毫秒远超这个门槛。

PhyAI做了几件事。

用CUDA Graph做计算图优化，减少CPU和GPU之间的通信开销。

用Tritin编写了针对MiniCPM-Robot的融合算子，把RMSNorm加SiLU门控、Conv1D加SiLU加QKV拆分这些操作合并执行，减少中间数据的搬运次数。

这些优化听起来很底层，但在真实机器人上感受非常直接。

推理速度翻三倍，意味着机械臂从慢动作变成正常速度，意味着机器狗跟踪目标时反应更灵敏，意味着同样的硬件能做更复杂的任务。

面壁智能的思路很清晰。

模型做小，推理做快，两者配合，让具身智能从实验室演示走向真实部署。

05面壁开源，技术落地的最短路径

这次WAIC上让我惊喜的两个模型，都开源了。

GitHub和Hugging Face上可以下载完整的模型权重、推理代码、部署脚本。

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

MiniCPM-RobotTrack还提供了宇树Go2 Edu的一键部署方案，从环境配置到摄像头接入到指令输入到控制接口，全部打包好。

这个决定在商业上未必是最优解，但在推动具身智能发展这件事上，开源是最短路径。

具身智能目前还处于很早期的阶段。

VLA模型怎么做、数据怎么采、推理怎么优化、部署怎么落地，整个行业没有统一的标准。

面壁智能此前开源的MiniCPM系列模型累计下载量超过3800万，在海外技术社区有广泛影响力。

这次把具身智能成果也开源出来，让更多人可以基于这两个模型做二次开发和应用落地。

我认识的几个做机器人创业的朋友已经开始看代码了，而且很兴奋：

MiniCPM-RobotTrack的端到端跟踪方案，可以直接用在巡检机器人上，MiniCPM-RobotManip的记忆能力，对仓储分拣任务很有价值。

开源社区的回馈，会加速模型的迭代，而迭代会让模型更好用。这是一个正循环。

想说几个我的感受。

过去两年行业在卷本体，谁的机械臂更灵活、谁的双足行走更稳定。

接下来的竞争会全面转向模型，谁的VLA更聪明、谁的推理更快、谁能在终端上跑得更流畅。

面壁智能从2024年开始布局端侧模型，当时少有人走。

两年过去，端侧智能成了行业主流叙事。这次发布MiniCPM-Robot，是他们在具身智能方向上的首次亮相。

两个模型全部开源，从算法到推理到部署全链路打通，思路很清晰。

从能说到能看，从能看到能动，从能动到能记住、能跟踪、能理解。

每一个能力的叠加都在缩小AI与物理世界之间的缝隙。

缝隙什么时候填上，没人知道。

但有人在认真填它。

对了，面壁智能最近还在招人，VLA、世界模型、硬件相关研究及工程岗位，都很核心、很有吸引力！

链接:

https://modelbest.jobs.feishu.cn/referral/position/share/?token=MjsxNzg0MTk2Mzc0NzM0Ozc1MTcxMDQyMDA4NzkzNzQzMzk7NzY2MzA1OTI3MDI5NjI3NTIzNjsxLzE

朋友圈会发一些具体的案例和商业化日常～

AI交流，欢迎加我本人微信：FrankGPTs