补上具身智能“拼图”，面壁智能离AGI又近了一步

撰文| 郝 鑫

编辑| 王 潘

2026年，面壁智能开启加速模式。

WAIC期间，面壁智能进军具身智能领域，发布并开源了首个具身智能系列模型成果。

面壁智能联合创始人、董事长、首席执行官李大海透露，今年1月份正式组建具身智能团队，结合自身在多模态、全模态的优势，迅速在具身智能领域开花结果。

用一句话总结下来就是：两个模型（MiniCPM-RobotManip、MiniCPM-RobotTrack）和一个AGI物理方向。

MiniCPM-RobotManip定位为通用VLA模型，参数规模为1.5B，基于此前的多模态模型MiniCPM-V 4.6训练完成。

官方介绍，MiniCPM-RobotManip目前可完成做三明治等长程复杂任务。性能测试方面，其与Qwen-VLA、π0.5等VLA模型性能相近；在考验VLA模型上下文记忆的RMBench上，MiniCPM-RobotManip得分53，远远超越主流π0.5的10分。

MiniCPM-RobotTrack定位为一款跟踪导航模型，基于MiniCPM4-0.5B训练完成。仅用0.9B参数规模，且未进行下游强化学习优化的情况下，该模型在三项任务的追踪率（TR）上分别达到89.8、73.4和80.4，均取得开源方案中最优结果。同时，MiniCPM-RobotTrack也是业内首个，提供真实本地纯无网部署的跟踪模型。

真机测试下，可实现在开放环境零样本指令跟随，抗各类人物穿梭干扰，同时还可在电梯、停车场等断网或弱网环境下流畅跟随。

该模型原生适配宇树Go2 Edu，通过对模型与系统进行协同优化，当前方案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。

行业正在走向从语言智能到多模态智能，再到物理智能的AGI之路。在这其中，具身智能成为了重要的抓手，但为了实现通用具身智能，至少还需要迈过通用、效率和记忆三道门槛。

通用具身智能路线

在具身智能领域，存在两条截然不同的技术路线分化，即垂直专用路径与通用智能路径。

垂直专用路线，目前是大多数机器人团队的主流选择。实践上，通常从特定场景出发，先思考如何在抓取、拧瓶盖等一些具体任务上，做得更灵巧、更复杂，再将攻克后的技能逐个积累，试图以做加法的方式，通过专用模块的堆叠来逐步逼近通用系统。

这种路径务实且易于在单一指标上突破，但背后存在着隐忧。不同专用模型之间数据往往是孤岛，后期缝合不同技能模块时会积累大量的技术债。

但训练过大模型的公司天然会更倾向于通用路线，因为他们中多数坚信：通用方法优于专用技巧，不应该在某个特定任务上做过多专门设计，而应尝试用最本质、最简洁的方法解决问题。即使初期效果不显，但经过时间积累，数据飞轮与Scaling Law终将带来效果的质变。

面壁智能也是如此，MiniCPM-RobotManip从一开始就以“通用智能”为起点。模型架构、训练范式与数据策略全部围绕通用性展开。其整体的思路是，用一个模型和一套参数去控制不同的机器本体，让机器人具备完成跨场景、长程和流水线式任务的能力，而非局限于单一操作闭环。

另一方面，成熟的多模态底座，缩短了面壁智能切入具身智能的路径。

对于大多数机器人团队，构建一个能在真实环境中稳定工作的视觉感知系统，需要经历数据采集、标注、模型训练、场景适配等漫长周期，且每个新场景都可能面临泛化困境。

而面壁智能自研的多模态大模型，MiniCPM-V/O系列已积累迭代两年半，超过2500万次全球开发者下载验证。其对复杂光照、遮挡、材质变化的适应能力，已在海量真实场景中被充分锤炼，为机器人提供了处理真实世界流式多模态信息流的帮助。

这意味着MiniCPM-RobotManip，无需在底层视觉感知上重复造轮子，而是直接将这一经过大规模验证的成熟底座接入机器人系统，将精力集中在更具挑战性的“视觉-语言-动作”联合决策上。

面壁智能入局具身智能最大的特点在于，带着已被验证过的视觉语言能力，去赋能机器人。这种原生多模态基因，使其在处理真实世界复杂性时，拥有更高的起点、更快的速度和更低的试错成本。

视觉Token极致压缩：为具身智能装上“原生记忆”

在具身智能领域，一个看似朴素却长期未被解决的命题是：机器人能否记住刚才看到了什么、做了什么？

对于人类而言，这再自然不过。比如我们拿起一个杯子，会记得已经拿起来了，不必反复确认；我们按一个按钮五次，会数到五就停下。但对于当前的绝大多数VLA模型而言，这却是一项奢侈品。

目前，大多数VLA模型的做法是“活在当下”，仅仅靠机器人当前时刻看到的画面和收到的任务指令，来判断下一步该输出什么动作。至于前一秒看到了什么，上一步执行了什么，通通不在模型的考虑范围之内。

为什么要舍弃如此明显有价值的历史信息？答案很简单，计算成本太高。

面壁智能学术合伙人、多模态智能首席科学家姚远介绍，在机器人真实工作状态下：3到4路多角度摄像头持续输入画面，若以每秒保留1帧的频率记录历史，仅持续1分钟，累积的视觉Token量级就高达数万甚至10万。

如果不做极致压缩，如此庞大的Token量根本无法塞入模型的上下文中。器人将被迫“遗忘”大部分历史，只能依赖当前帧做决策。

面壁智能给出的解决方案，不是简单地堆算力，而是从模型架构的底层去做“减法”。MiniCPM-V 4.6的一项核心技术优势“视觉Token极致压缩”，在其中发挥了关键的作用。

这项技术的本质，是用尽可能少的Token去表示同样多的视觉信息。当三张图片的推理Token数量被大幅压低，需要表示的Token长度被显著缩减后，推理速度自然变快。如果处理的是长视频流，这种速度优势会更加明显。

姚远表示，传统的多模态大模型或具身模型方案，处理一帧图像需要消耗256个Token，但利用“视觉Token极致”压缩技术，就能实现4倍压缩，只需要64个Token就能完成编码。

“这样一来，不仅能降低模型的运行成本，提高模型运行效率，还能降低硬件部署门槛。”

更重要的是，这项技术让VLA模型在保留完整上下文记忆的同时，几乎没有增加额外的算力成本，由此为具身智能在真实场景中流畅运行扫清了最关键的性能障碍。

在上述技术的加持下，面壁智能已经脱离了DEMO阶段，走向了产业。

乐聚在行业内落地“展厅导览讲解机器人”这一场景。然而，在早期的实践中，机器人高度依赖云端进行多模态交互，由此带来的高时延严重影响了用户体验。为了解决这个核心痛点，乐聚找到了面壁智能。双方合作的关键，是将面壁智能的端侧多模态大模型集成到乐聚的机器人本体上，相当于为机器人装上一个能在本地运行的“智能大脑”。

上述的合作方案给乐聚带来了明显的提升。由于模型在机器人本地运行，交互时延显著降低，实现了实时看、实时思考、实时回应；机器人可以在无网络环境下纯端侧运行导览和问答系统；所有敏感数据均在本地处理，无需上传云端，保障了数据主权。

在展厅导览场景取得成功验证后，双方的合作进一步扩展到了巡检场景。乐聚的机器人本体结合面壁智能的多模态能力，能够高效识别园区内的车辆违规停放、路面异常等多种状况。

AGI的必经之战

大模型公司集体“下场”做机器人，正在形成一种趋势。

2026年6月，阿里发布千问具身智能大模型Qwen-Robot系列，包含VLA操作模型、VLN移动模型和世界模型三大核心模型，为不同形态的机器人提供“通用底座”。

当月月底，智谱与中国人民大学联合发布，高达26亿参数、端到端的VLA模型“ZR-0”，并配套开源了规模达6000万帧的机器人数据集。

就在昨天的WAIC上，腾讯一次性发布三大具身基座模型Hy-Embodied-VLM-1.0、Hy-Embodied-RxBrain-1.0和Hy-Embodied-VLA-0.5，首次系统性打通了“感知—身体—行动”的闭环。

李大海认为，具身智能是端侧模型最重要的终端之一。用面壁智能的端侧模型去赋能这一领域，属于业务自然的延伸和拓展，而非方向上的大转向。

当前业内在落地具身智能场景时，多数会先采用云端大模型来完成决策等上层工作。不过，在李大海看来，以后机器人必然会以端侧智能为主要工作方式。具身智能是物理世界的实时智能体，感知、决策、执行必须在毫秒级闭环，这一物理属性就决定了，核心能力必须放在端侧。

这也被他称之为“最小闭环的智能”，即机器人在完全不联网的情况下，就能独立完成最核心、最主要的工作任务；只有当遇到长尾、复杂的未知问题时，才通过联网寻求云端更强模型的辅助指导。

这种“端侧为主、云端为辅”的协作范式，才是具身智能真正规模化落地的必要路径。

过去三年，大模型已经证明了它能够写文章、生成图片、编写代码，在多项人类语言任务上展现出接近甚至超越人类的能力。然而，语言层面的智能只是AGI的一半拼图。一个只能坐在对话框里回答问题，却无法在物理世界中行动的智能体，即便再聪明，距离人类心目中的AGI仍有本质差距。

而真正的AGI不仅能够去感知物理世界，而且能够作用于物理世界。当大模型的能力溢出虚拟世界，开始重塑物理世界时，具身智能就不再只是机器人公司的专属赛道，而成为所有AGI追逐者的必争之地。

正是基于这一判断，面壁智能才将具身智能确立为其AGI技术战略的核心组成部分。

截至今年上半年，面壁智能已完成三轮融资，累计融资金额超50亿元，估值超200亿，成为端侧智能领域公开估值最大的独角兽企业。

从端侧文本模型到多模态模型，再到具身智能，关于勇者的游戏还在继续。

微信号｜TMTweb

公众号｜光子星球

别忘了扫码关注我们！