具身智能落地缺的端侧大脑，中国最大端侧模型独角兽出手了

面壁智能连发多个具身智能重磅成果。

作者 | 许丽思

编辑 | 漠影

今年WAIC，一进入展馆，最直接的感受就是，机器人实在太多了！

它们已经不只出现在机器人公司的展台上，连大模型、芯片等各种公司的展区里，也能看到一堆机器人的身影。再往过道里一看，机器狗组队在人群中穿梭，机器马载着人慢悠悠地巡游，那边又来了几个人形机器人忙着耍各种花活。

在现场各种展示背后，也会发现，这次大会，把“机器人能否完成真实任务”这件事摆到更重要的位置，大家都在讨论机器人到底得什么时候才能真正干活。

不过越往真实场景走，具身智能的短板就越清晰。机器人已经拥有越来越灵活的身体，却还缺少一个能够看懂连续画面、记住前序状态，并在弱网环境中及时决策的端侧大脑。

在今年WAIC，国内端侧智能领域公开估值最大的独角兽企业面壁智能，一口气发布并开源多个具身智能重磅成果：通用 VLA 模型MiniCPM-RobotManip、跟踪导航模型MiniCPM-RobotTrack。

同时，现场还发布了由明体科技（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的推理框架PhyAI，有效支撑此次面壁具身模型落地。

模型之外，面壁还联合乐聚推出展厅导览和园区巡检解决方案，并与吉利将模型带进生产仓储场景，把技术成果延伸至真实业务流程。

从模型、框架到场景，这样一家国产大模型公司，正在试图补上具身智能端侧大脑的短板，让端侧大模型成为AI连接物理世界的接口。

模型开源的相关链接如下：

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.

走进物理世界，机器人为什么

需要一颗运行在端侧的大脑？

以展区导览机器人为例，现场遍布噪声、遮挡与网络盲区，观众随时可能改变路线、提出新问题，机器人要是每次判断都要等待云端返回，原本流畅的导览就变得磕磕绊绊。

进入工厂与园区之类的地方后，这个问题还会被进一步放大。机器人面对移动的人、变化的物体和正在运转的设备，感知与动作之间的延迟，会直接影响任务成败乃至现场安全。

数据同样是一个大问题。机器人在工作的时候，会持续采集人员影像、空间信息和生产数据，频繁上传云端容易增加隐私与合规压力。如果机器人数量大幅扩展，推理费用、通信资源和运维压力等都会持续累积。

这些问题共同指向一个结论：机器人得在本地完成感知、决策和执行闭环，端侧处理是机器人落地更多场景的重要前提。

作为国内端侧大模型头部企业，面壁智能选择切入具身智能赛道，也与之前在基础模型、多模态和端侧部署上的积累有关。

面壁智能的技术路线建立在“能力密度”指标之上，即衡量单位参数量能够承载的模型能力。2024年，面壁智能提出“大模型密度定律”，认为开源大模型的最高能力密度约每3.5个月翻一倍，试图破解端侧AI一直以来面临的效果、成本和速度上难以兼得的难题。

长期的基础模型训练经验，让面壁智能不是选择“以点到面”，而从一开始就坚持“以面到点”，从通用智能出发，让机器人完成更普适、更流水线、更长程的任务。

另外，面壁智能还在多模态模型上有着深厚的技术沉淀，其多模态大模型MiniCPM-V/O系列经历了两年半的积累迭代，开源总下载量突破 2500 万，在海内外技术社区均有广泛影响力。这就让面壁智能具备了处理真实世界流式多模态信息流的丰富经验，能够快速切入具身智能领域。

这些积累，最终汇聚成了面壁智能在WAIC发布并开源的首个具身智能系列模型成果MiniCPM-Robot 。接下来，我们对它进行逐一拆解。

02.

MiniCPM-RobotManip：

实现视觉极致压缩，机器人干活更快了

在演示视频中，机器人制作三明治时，是一个“夹起吐司-放生菜-放火腿-放煎蛋-盖上另一片吐司”的长序列任务。

在这个过程中，机器人一边观察主视角和两个腕部相机的画面，一边还得理解任务并连续生成动作。这项表面看似简单的任务，实际上要求VLA模型每秒完成数次推理。

这种连续画面会产生大量视觉Token，计算量会随着历史观测不断增加。所以，受限于推理成本，大多数VLA模型只能根据眼前的观测决定下一步动作，没法把历史观测和已经执行过的步骤完整纳入判断。

举一个简单的例子，让机器人按按钮5次。如果它没有前序的视觉记忆，它要么就是按一下停了，要么就是不停按，缺少上下文记忆会影响机器人做事的完整性。模型得看到此前的动作，才知道任务进展到了哪里，并在第五次及时收手。

面壁智能的解法，是把MiniCPM-V 4.6积累的视觉Token压缩能力迁移到MiniCPM-RobotManip中，用更少的Token表示连续画面。据了解，其整体计算量减少一半，推理速度还提高了；在保留上下文记忆时，其通过流式计算方法实现推理成本和传统单帧反应式一样。

所以你能看到，机器人在做三明治的时候，连续任务不会中途“断片”了，反应更快、动作更丝滑，但计算量其实还减半了。

MiniCPM-RobotManip将参数规模控制在1.5B，实现了小尺寸、高性能，这也体现了机器人模型对效率的特殊要求：只有 4B量级模型的单词推理速度能达到200ms ，保证机器人操作不卡顿；而继续扩大VLA参数能带来多少实际收益，目前仍缺少充分验证。

从榜单成绩看，MiniCPM-RobotManip在传统评测中进入第一梯队，整体表现与Qwen-VLA、π0.5等模型相近；在仿真评测场景中进行通用多任务统一训练后，部分指标达到专家模型水平；在RMBench这类考验上下文记忆任务的榜单中，其得分达到53，π0.5为10分，接近随机的水平。

03.

MiniCPM-RobotTrack：

拔掉网卡，机器人依旧能自主跟随指定人员

在下面的演示中，可以看到，在拔掉宇树Go2机器狗身上的网卡后，它依然能够根据自然语言指令识别指定人员并持续跟随，面对疾驰而过的电动车、走过的路人，它能够及时躲避；进入电梯、地下停车场等弱网环境，它也依旧能够稳定跟踪。

这背后，靠的就是MiniCPM-RobotTrack。

MiniCPM-RobotTrack以MiniCPM4-0.5B基础，整体参数规模为0.9B。该模型统一建模视觉观测、自然语言指令与机器人控制决策，直接将一句文本指令转化为运动行为。机器狗只需使用原装摄像头和本地算力，无需外接开发板或额外安装独立感知模块。

为检验模型能否应对真实追踪中的复杂变化，团队围绕多个场景进行测试：持续跟踪单一目标、在多个动态目标同时运动时准确识别并跟踪目标，以及根据模糊指令、相似目标或目标信息不完整的情况下，理解指令意图并持续跟踪。

在没有进行下游强化学习优化的情况下，该模型在这三项任务上的追踪率分别达到89.81%、73.38%和80.35%，取得开源方案中的最优结果，较OpenTrackVLA提升7.04、14.58和6.46个百分点。

轻量化的模型能取得这样的成绩，关键就在于数据端，团队搭建了一套高质量数据驱动的自进化数据管线，让模型在高质量交互中持续成长。

团队先清洗仿真器产生的异常轨迹、错误动作和无效交互，再通过面向具身追踪的DAgger策略，让模型在仿真和真机环境中持续暴露自己的弱点。快速转向、短时遮挡、多人交叉等复杂情况被重新收集并送回训练，数据由此围绕模型最容易犯错的地方不断补强。

该模型还能一键轻松部署，团队围绕宇树Unitree Go2的完整运行链路进行了系统级优化，模型在宇树Go2上的原生算力即可稳定达到5 FPS以上、约180毫秒时延。

此次开源也覆盖了环境安装、模型加载、摄像头接入、文本指令和机器人控制接口，并提供一键启动脚本，快速让机器狗从开箱到拥有纯视觉、纯本地的自然语言指令跟踪能力。

这样的话，机器狗只凭原装摄像头和本地模型，就可以在断网状态下理解指令并持续跟踪目标，降低延迟和隐私风险，也为楼宇巡检、人员陪护、园区安防及灾害救援等弱网场景打开了落地空间。

MiniCPM-RobotManip、MiniCPM-RobotTrack这两款模型分别解决了操作和移动的问题，而具身智能模型的推理框架PhyAI则有效支撑具身模型的落地。

PhyAI在RTX 5090上运行π0、π0.5和GR00T时，分别实现约2.85倍、1.82倍和2.28倍加速；GR00T在NVIDIA Thor和A40上的加速倍数分别约为1.40和4.31。

适配MiniCPM-Robot后，PhyAI使用CUDA Graph将推理帧率从10.12Hz提高到33.28Hz，又通过定制融合算子减少中间变量搬运，在H20上的推理帧率进一步达到36.77Hz。模型、推理和部署由此形成了一条更完整的链路。

04.

进展厅、园区和工厂，

端侧具身智能开始接受场景检验

技术跑通之后，下一步就是把机器人送进真实场景。

面壁与乐聚选择从展厅导览、园区巡检这类场景切入，背后有着现实考量，这些地方人流密集、噪声复杂且网络质量不稳定，必须要靠端侧模型来兜底。

在双方发布的展厅导览Agent解决方案中，面壁端侧多模态大模型与乐聚夸父机器人本体及导航系统相结合，使机器人在断网或弱网状态下仍可调用本地知识库完成讲解、问答、路线规划和避障。

园区巡检比展厅导览更接近刚需型应用，在双方联合发布的园区巡检 Agent 解决⽅案中，面壁的多模态模型和CV模型搭载于乐聚机器人及巡检系统后，可以识别违停、路面和公共设施等异常情况，并在本地处理敏感画面。

这些方案之前已经在真实场景中落地验证了，本次联合方案的推出，相当于将过去的项目经验进一步沉淀为可复制的产品能力。

面壁与吉利的合作则进一深入生产仓储场景，双方一方面在模型层共同训练和发布了 VLA 模型， 保持其通用多模态理解能力同时，融入与真实世界交互能力，并在仿真评测场景上采用通用多任务统一训练，在指标上达到专家模型水平。

另一方面，双方也通过具身智能体框架RoboHarness，整合VLM、VLA、机器人本体和导航系统，推动吉利机器人完成包含多个步骤的仓储长程任务。

从展厅讲解到园区值守，再到生产仓储，端侧部署的意义已经超出响应速度。机器人摆脱了对稳定网络和云端接口的持续依赖，才有机会成为可以常态化值守的服务设备、不间断作业的产线工人。

05.

结语：端侧大模型，正在重塑具身智能落地

据弗若斯特沙利文预测，全球端侧AI市场规模将从2025年的3219亿美元，以年均40％的复合增长率扩张，到2029年突破1.22万亿美元；谁能在窗口期抢下最多的落地场景，谁就占据先机。

具身智能行业正在从演示走向部署，面壁智能想抢占的，就是这场变革中关键的端侧基础设施位置。

端侧大模型，让AI获得了一条通往物理世界的路径，也让机器人能够从理解世界到深度且稳定参与世界，这是具身智能落地的起点。越来越多机器人能够摆脱对云端的持续依赖，在真实现场日复一日地把事情做完，端侧智能才真正完成从技术路线到产业基础设施的跃迁。