1.5B开源通用VLA模型，冲进具身智能第一梯队

1.5B开源通用VLA模型，冲进具身智能第一梯队

面壁智能发布MiniCPM-Robot系列模型

金磊 发自 上海

量子位 | 公众号 QbitAI

一个新的国产VLA模型诞生了，而且只有1.5B。

Size这么小，能好用吗？

来，话不多说，我们直接看效果：

视频地址：

https://mp.weixin.qq.com/s/TWDuh4NmsamJ52E2A6ZpTw

在上面这个真机演示里，两只机械臂围着桌面开始做三明治。它们分工合作，先取面包，再夹起生菜、火腿和鸡蛋，一层层叠到一起。

再来看下另一段演示：

视频地址：

https://mp.weixin.qq.com/s/TWDuh4NmsamJ52E2A6ZpTw

一只宇树机器狗收到“跟随前面的人”这条指令后，开始一路跟在目标身后。

从室外走进办公楼，再进入电梯、地下停车场，机器狗始终没有跟丢。就算周围不断有人经过，环境和光线也在变化，它还是能认准一开始指定的那个人。

更关键的是，这套能力直接跑在机器狗本地！

电梯和地下停车场往往是网络信号比较差的地方。即使进入弱网甚至无网环境，机器狗依然能继续识别目标、规划动作，保持跟随。

而在这两段Demo背后，则是面壁智能在WAIC期间正式发布并开源的MiniCPM-Robot系列模型。

目前包含两个模型：

- MiniCPM-RobotManip：也就是开头控制机械臂做三明治的通用VLA模型，参数量只有1.5B。

- MiniCPM-RobotTrack：主要负责机器人的跟踪与导航，让机器人能够根据自然语言指令，在动态环境里持续跟住指定目标。

和它们一起出现的，还有开源具身智能推理框架PhyAI，负责让这些模型更快地适配硬件、跑到真实机器人上。

简单来说，一个负责让机器人“动手干活”，一个负责让机器人“认准人、跟着走”，再配上一套负责高效推理的底座。

面壁这次端出来的，已经是一套逐渐成形的具身智能组合。

跻身第一梯队，延迟接近一半

先来看MiniCPM-RobotManip。

虽然参数量只有1.5B，但在LIBERO、Calvin、RoboTwin2等主流VLA评测里，它的整体表现已经进入第一梯队，与π0.5等模型处在相近水平。

真正把差距拉开的，是对机器人记忆力的考验。

很多VLA模型在执行动作时，主要根据当前这一帧画面做判断。

比如让机器人点击画面里的第二个按钮5次。

如果它看不到前面的画面，也记不住自己已经按过几次，就很容易按一下便停，或者一直按下去。

MiniCPM-RobotManip会把历史观测和此前执行过的动作一起纳入判断。它知道任务已经进行到哪一步，也知道什么时候应该停下来。

在专门考察上下文记忆的RMBench中，π0.5的成绩约为10分，接近随机水平，MiniCPM-RobotManip则达到约53分。

这项能力对真实机器人很重要。

叠衣服、收拾桌面、做三明治，看起来都是日常小事，拆开后却包含一连串动作。机器人只看眼前，很容易做到一半便“失忆”；能记住此前的状态，才有机会把长任务完整做完。

除了记得住，机器人还得反应快。

面壁给出的单帧推理对比中，在H100显卡、bf16精度下，MiniCPM-RobotManip单次决策延迟约为120毫秒，π0.5约为234毫秒，前者接近后者的一半。

这里的“成本减半”，主要是体现在推理延迟和计算量上。

聊天模型多想一秒，用户通常还能等。机械臂每做一步都停顿一秒，动作马上就会变得僵硬，整个任务的完成时间也会被拉长。

对VLA来说，能不能在有限算力下快速输出下一步动作，和榜单分数一样重要。