面壁智能（OpenBMB）近日在Hugging Face平台发布了MiniCPM-RobotManip，一个参数量仅为1.5B的视觉-语言-动作（VLA）模型，专门面向具身操控任务。该模型的发布标志着端侧AI在机器人领域的一次重要进展——用更小的模型规模实现了更强的泛化能力与更快的推理速度。

MiniCPM-RobotManip的核心亮点之一是通用操控能力。它采用统一的1.5B通用策略，使用单一权重集处理所有下游任务，无需针对不同场景单独微调。在代表性评测中，该模型的表现超越了参数量更大的π₀.₅和Qwen-VLA等模型，展示了小模型在特定任务上通过高效架构设计实现反超的可能性。

在上下文处理方面，MiniCPM-RobotManip引入了流式推理（Streaming Context）机制。传统VLA模型通常仅基于单帧图像做出反应性动作决策，而该模型通过流式推理将历史观测持续纳入模型上下文，使得每步计算量从125 TFLOPs大幅降至3.3 TFLOPs，同时能够保留60帧的历史信息，并支持最长一分钟的视觉记忆。这使VLA模型从单帧观测的被动反应，迈向基于长程视觉上下文的连续决策。

推理效率是另一个关键突破。MiniCPM-RobotManip继承了MiniCPM-V 4.6的视觉token压缩技术，将每帧图像从256个视觉token压缩至64个，实现4倍压缩率。在H100 GPU、BF16精度、单帧输入条件下，模型每次决策步骤的前向延迟仅为120毫秒，而对比模型π0.5的延迟为234毫秒。这意味着在同等硬件条件下，MiniCPM-RobotManip的推理速度几乎翻倍，对于需要实时响应的机器人应用场景至关重要。

该模型基于transformers 5.7.0框架，采用Apache-2.0开源许可，开发者可通过Hugging Face直接获取模型权重及推理示例代码。模型输入支持多视角图像与机器人状态向量（80维），输出为30×80的动作块（action chunk），可适配多种机器人形态。

从产业角度看，MiniCPM-RobotManip的发布对具身智能领域的端侧部署与低成本机器人具有启发意义。当前主流VLA模型往往依赖大规模参数与云端算力，而面壁通过架构优化证明了1.5B级别的模型在复杂操控任务上同样具备竞争力，且推理延迟更低、硬件门槛更小。这有助于推动机器人从实验室走向实际应用，尤其是在需要低延迟、高自主性的场景中，如家庭服务、仓储分拣等。

不过，该模型目前仍处于研究发布阶段，实际部署中还需考虑任务多样性、环境鲁棒性以及硬件适配等问题。面壁智能在Hugging Face页面提供了详细的基准测试结果与推理示例，供社区进一步验证与改进。