1.5B参数如何跑通具身智能？MiniCPM-Robot颠覆大模型依赖
轻量化浪潮下的具身智能新解法
在具身智能领域，一场关于模型规模的辩论正在悄然转向。长期以来，行业似乎陷入了一种“参数崇拜”，认为只有千亿级甚至万亿级参数的模型才能赋予机器人真正的智能。然而，面壁智能近期发布的MiniCPM-Robot系列模型，以仅1.5B的参数量，向市场证明了“小而精”在物理世界执行中的巨大潜力。这不仅仅是模型大小的缩减，更是对机器人核心痛点——实时性、记忆保持与环境适应力的一次精准打击。
此次开源的MiniCPM-Robot系列包含两大核心组件：负责精细操作的MiniCPM-RobotManip和专注于动态跟踪的MiniCPM-RobotTrack。配合专为Physical AI设计的开源推理框架PhyAI，这套组合拳旨在打通从云端算法到端侧执行的最后一公里。在WAIC（世界人工智能大会）上的演示中，1.5B参数模型展现出的稳定性与泛化能力，让业界重新审视了“规模即正义”的传统认知。
突破记忆瓶颈：从单帧感知到连续决策
很多主流VLA（视觉-语言-动作）模型在执行复杂任务时存在一个致命弱点：它们往往基于当前帧画面进行瞬时判断，缺乏对历史状态的有效记忆。例如，在让机器人连续按压按钮或层层叠加三明治的任务中，模型很容易因为“遗忘”之前的动作步骤而中断任务，或者陷入死循环。
MiniCPM-RobotManip的核心突破在于其引入的历史观测与动作记忆机制。不同于传统方法每帧独立计算，该模型将历史观测数据和已执行动作纳入判断依据。在专门考察上下文记忆的RMBench基准测试中，这一机制带来了质的飞跃。数据显示，当对标模型π0.5得分仅为10分（接近随机水平）时，MiniCPM-RobotManip取得了约53分的优异成绩。
这种“记忆力”的提升对真实场景至关重要。叠衣服、收拾桌面等日常任务虽然看似简单，实则包含严密的逻辑链条。只有能够记住“任务进行到哪一步”，机器人才能完整执行长程任务，避免中途“失忆”导致的动作僵硬或失败。
极致延迟优化：成本减半的速度竞赛
除了记得住，机器人还得反应快。在机械臂操作中，每增加一秒的等待时间，动作流畅度就会呈指数级下降，严重影响用户体验和作业效率。
在H100显卡、bf16精度下的单帧推理对比中，MiniCPM-RobotManip的决策延迟约为120毫秒，而π0.5约为234毫秒。前者几乎将后者的延迟缩短了一半。这种“成本减半”不仅体现在推理耗时上，更体现在计算量的显著降低。对于依赖实时反馈的机器人而言，能够在有限算力下快速输出下一步动作，其价值不亚于在基准测试中提高几个百分点。
与此同时，MiniCPM-RobotTrack在保持0.9B轻量参数的同时，也在多种真实场景中取得了优异表现。在单目标跟踪、多人干扰跟踪以及模糊指令跟踪（如“跟随穿黑衣服的人”）三项任务中，其追踪率分别达到89.8%、73.4%和80.4%。即便在与OpenTrackVLA和闭源模型TrackVLA++的对比中，它也在多个指标上实现了显著超越，特别是在模糊目标跟踪成功率上高出近17个百分点。
技术内核：视觉压缩与流式计算
MiniCPM-Robot能够以极小参数实现高性能，背后是面壁智能在视觉处理技术上的创新。机器人执行动作需处理多路摄像头画面、文字指令及输出动作，若每张图片都转换为大量视觉Token，随着任务进行，计算量将迅速爆炸。
为此，MiniCPM-RobotManip采用了“视觉Token压缩”策略。它智能识别并压缩桌面纹理、墙面图案等与任务无关的背景信息，仅保留关键内容。这种“去噪”处理大幅减少了单次推理的信息量，从而提升了速度。
更关键的是流式计算技术的应用。传统方法在处理新画面时需重新计算所有历史，导致任务越长，算力需求越高。MiniCPM-Robot采用流式架构，复用已处理的历史信息，新画面只需接续计算。这如同观看连续剧，无需每更新一集就重看前几季。这种机制使得机器人能以更低成本保留长程记忆，避免计算量随任务时长线性暴涨。
端侧部署与弱网生存：真实的落地能力
具身智能的最终检验场不在服务器，而在物理世界。在电梯、地下停车场等弱网甚至无网环境中，云端模型往往因信号中断而失效。MiniCPM-RobotTrack展示了其强大的本地部署能力。
该模型直接运行在宇树机器狗Go2 Edu的本体算力上，无需外接开发板或依赖云端服务器。在端到端响应延迟控制在180毫秒左右的条件下，即便拔掉网卡，机器狗仍能根据摄像头画面和文字指令，完成目标识别、持续跟踪和运动控制。这种“断网生存”能力，对于园区巡检、仓储物流等网络条件不可控的场景具有极高价值。
此外，面壁还搭建了自进化数据管线，解决长尾场景问题。针对目标突然横穿、快速转向、多人交叉遮挡等罕见但关键的场景，系统通过仿真与实机联合训练，收集错误样本，经专家策略纠偏后重新注入训练。这相当于为模型准备了一本“自动更新的错题本”，使其在真实世界中不断进化。
生态协同：PhyAI框架与行业落地
模型的先进性必须依托高效的工程框架才能转化为生产力。此次同步开源的PhyAI推理框架，由明体科技联合北京邮电大学、北京大学研发，旨在解决多模型适配难、部署成本高的问题。
在RTX 5090上，PhyAI相比官方仓库，对π0、π0.5和GR00T实现了约2.85倍、1.82倍和2.28倍的加速。针对MiniCPM-Robot系列，通过CUDA Graph和定制融合算子优化，在NVIDIA H20上帧率从10.12Hz提升至36.77Hz。这种底层优化确保了模型能在 diverse 的硬件平台上高效运行。
在应用层面，面壁已与乐聚机器人、吉利汽车等展开合作。在展厅导览场景中，机器人基于本地知识库完成离线讲解与避障；在仓储场景中，通过RoboHarness框架整合VLM规划与VLA执行，实现长程任务管理与异常恢复。这种“先通后专”的策略，即先构建具备物理常识的基础模型，再针对特定领域优化，正成为具身智能落地的主流路径。
结语：性价比定义下一轮竞争
具身智能行业的竞争焦点，正从单纯的参数规模比拼，转向单位算力带来的实际能力收益。1.5B和0.9B的模型，不仅意味着更低的训练与部署成本，更代表着更强的实时性与更好的端侧适应性。
当AI长出双手双脚，它需要的不仅是“聪明的大脑”，更是“敏捷的身手”和“经济的开销”。MiniCPM-Robot系列通过技术创新，在轻量化与高性能之间找到了平衡点，为机器人真正走进工厂、仓库和公共空间提供了切实可行的解决方案。未来，能够稳定、快速、廉价地解决真实问题的模型，将在新一轮行业洗牌中占据先机。