清华系200亿独角兽攻克具身智能记忆难题并开源

真正具备记忆能力的机器人VLA模型，究竟是什么样的？

不妨先看看几个看似简单却极具挑战性的演示。

例如，先遮盖住不同颜色的方块，然后指令机械臂按照红、绿、蓝的顺序逐一揭开。

再或者，测试它能否精准地按下不同次数的按钮？

画面中的机械臂，全部成功完成了任务。

千万不要低估这些能力，它们曾让众多机器人束手无策。真正的难点，隐藏在一个看不见的环节——记忆。

原因很简单：许多机器人根本记不住自己按了几次按钮。

上述演示中所展现的“原生上下文记忆”能力，是目前主流的、基于单帧反应式的VLA模型无法实现的。

幸运的是，就在不久前，面壁智能成功补上了具身智能领域这一关键短板。

7月19日，在WAIC现场，面壁智能开源了首个具身智能系列模型成果——MiniCPM-Robot，包含两个核心模型：通用VLA模型MiniCPM-RobotManip，以及跟踪导航模型MiniCPM-RobotTrack。

其中，MiniCPM-RobotManip在专门考核机器人模型上下文记忆能力的RMBench榜单上，取得了53.5分的优异成绩，而国外知名的VLA模型pi0.5仅有10.4分——两者差距十分显著。

性能比肩行业顶尖水平

机器人为何难以完成“按5次按钮”这类任务？因为当前绝大多数VLA模型，只具备“单帧反应”的能力。

大部分团队的做法，是让机器人仅根据眼前这一帧画面来决定下一步动作。这就导致在执行“按5次按钮”的任务时，当机器人按完第1次，准备进行下一次推理时，它的大脑一片空白——完全不清楚刚才发生了什么。

那么，为什么不给机器人加上“上下文历史记忆”呢？

答案在于：算力根本无法支撑。

如果让模型记住历史画面，计算量会呈指数级爆炸增长。大多数团队无法对视觉Token进行高效压缩。强行加入记忆，机器人就会变得像“树懒”一样，动作出现明显卡顿。

而这，恰恰是面壁智能所擅长的领域。

在考验机器人模型上下文记忆能力的RMBench上，出现了戏剧性的一幕：专用明星模型π0.5遭遇滑铁卢，得分仅为10.4分；而MiniCPM-RoboManip却一举拿下53.5分，实现了碾压性优势。

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

面壁智能究竟做对了什么？答案是：对视觉Token进行了极致压缩。

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开源不到2个月，下载量就突破了200万，在多模态基础模型社区中十分火爆。

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能够以更低的成本高效运行。

在机器人应用场景下，VLA模型每次推理需要处理三路相机画面（双腕部加主视角）以及文本指令，并输出相应动作。如果处理速度过慢，机器人就会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，本质上是在做精准的“减法”。未经处理的多路图像会生成海量Token，直接拖垮推理速度。高效压缩能用更少的Token承载同等的视觉信息，就像将高清图片转换成高质量的JPEG格式——画质不减，体积锐减。

数据最能说明问题：MiniCPM-RobotManip单步决策仅需120ms，而pi0.5需要234ms——后者几乎是前者的两倍。

在处理上下文记忆时，Token的极致压缩也让MiniCPM-RobotManip的计算成本大幅降低。

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（采用流式推理加子任务生成）的算力从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，它用超低的成本，实现了“带脑子、带记忆”的高级推理能力。

这就是为什么，它能让机器人连贯地完成“做三明治”这样的任务——不卡顿、不遗忘，像人类一样丝滑。

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。

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

接着，工作人员走进典型的无网环境——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信号。

最后，机器狗和工作人员一起坐电梯，到达另一个弱网环境：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。

它可以在开放环境下实现零样本指令跟随，抗各类人物穿梭干扰，同时能在无网或弱网环境（如电梯、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，它达到了以下结果：

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，分别高出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”。

他们系统化地清洗原始数据，剔除仿真器早期产生的异常轨迹、错误动作等脏数据，保障了训练数据的质量。

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。

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

未来，凭借弱网或断网下的自主决策能力，它有望瞄准灾害救援（如地震、火灾）与特种作业（如对抗、侦察）等高风险场景。在这些场景中，180ms的低延迟是决定搜救效率与生存概率的核心能力。

从模型到推理框架的全栈布局

面壁这两个模型的推理效率，也得到了推理框架PhyAI的有力支持。

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框架。

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模型与世界模型（WAM），充分榨干硬件潜力——

与模型最新仓库相比，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上也分别实现了约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。

这次开源的不仅仅是模型权重，而是完整的技术栈：模型加推理框架加部署方案。

对于开发者来说，这意味着拿到手就能用，无需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。

下半场才刚刚开始，具身智能是通往AGI终局的必需品

面壁智能为什么布局具身智能？

这并非偶然。AI竞赛下半场的主题之一，就是让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，是行业的必然趋势。

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起步。只有语言层面与物理层面的通用智能同时实现，才能达成真正的AGI。

面壁是一家追求通用人工智能的大模型公司，并选择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，是情理之中的事。

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工作，恰恰要靠强大的端侧模型来兜底。

这是端侧AI的独特价值所在：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，面壁还拥有独特的优势：

追求通用智能，而非专用技能；
多模态技术积累深厚，技术底气十足。

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，而这正是面壁的强项。

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200万，在国内外社区影响力广泛。

正是这份深厚的多模态家底，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，走出了一条独特的端侧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。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：清华系200亿独角兽攻克具身智能记忆难题并开源要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题