国产最大端侧模型独角兽进军具身智能，发布开源首个具身系列模型
国产最大端侧模型独角兽进军具身智能，发布开源首个具身系列模型
2026年07月20日 18:41
国产最大的端侧模型 独角兽 面壁智能，7月19日在世界 人工智能 大会“智在终端惠及千行”分论坛，发布并开源了其首个具身智能技术成果——MiniCPM-Robot系列模型，包括一个视觉-语言-动作模型和一个跟踪导航模型，将团队长期主导的多模态能力首次从手机、 汽车 延伸至 机器人 。
【让记忆与速度不再矛盾】
在具身智能领域，“金鱼记忆”是困扰视觉-语言-动作模型的长期痛点。想要让 机器人 记住历史操作并实时决策，推理延迟就会急剧攀升，动作随即卡顿。
此次发布的视觉-语言-动作模型Manip正是为解决这一矛盾而生。它基于面壁智能多模态端侧大模型MiniCPM-V 4.6 训练，该系列模型累计下载量已突破2000万次，其独家的视觉词元极致压缩技术，为本次具身突破埋下了关键伏笔。
在 机器人 操作评测基准（RMBench）中，美国知名模型π0.5仅得到10分，Manip拿到53分，跻身第一梯队。Manip不仅可以连贯地“做三明治”，其单步决策延迟仅120毫秒。
【首个纯无网部署的追踪模型】
不依赖任何云端算力，此次发布的跟踪导航模型Track，仅靠机身原装摄像头和本地芯片，即可在拔掉网卡的状态下，听懂自然语言指令并持续追踪目标。这是业内首个支持真实本地、纯无网部署的追踪模型。
在未做下游强化学习优化的情况下，Track在真实场景评测中追踪率最高达89.8%，相比全域追踪视觉-语言-动作模型（OmTrackVLA）三项指标平均提升超9个百分点。
【园区巡检、工业仓储成为试验场】
目前，不少具身智能团队遵循“从点到面”的路线：先在特定场景中训练专用技能，再逐步扩展能力边界。面壁智能选择的是从通用模型出发，将视觉理解、语言指令、状态判断和动作输出放进统一框架，再落到具体任务。
随着 机器人 进入家庭、办公室和工厂，仅依靠云端难以同时满足实时响应、可靠运行和隐私保护。面壁智能多模态首席科学家、清华大学 人工智能 学院助理教授姚远认为，将感知、决策与执行部署在本地硬件设备上，既能保障及时响应，也能降低隐私风险。
据悉，面壁智能正与乐聚 机器人 、 吉利汽车 等合作，将展厅导览、园区巡检、工业仓储等场景作为端侧具身智能的试验场。
（文章来源：上观新闻）