面壁智慧（OpenBMB）近日在Hugging Face平台釋出了MiniCPM-RobotManip，一個引數量僅為1.5B的視覺-語言-動作（VLA）模型，專門面向具身操控任務。該模型的釋出標誌著端側AI在機器人領域的一次重要進展——用更小的模型規模實現了更強的泛化能力與更快的推理速度。

MiniCPM-RobotManip的核心亮點之一是通用操控能力。它採用統一的1.5B通用策略，使用單一權重集處理所有下游任務，無需針對不同場景單獨微調。在代表性評測中，該模型的表現超越了引數量更大的π₀.₅和Qwen-VLA等模型，展示了小模型在特定任務上通過高效架構設計實現反超的可能性。

在上下文處理方面，MiniCPM-RobotManip引入了流式推理（Streaming Context）機制。傳統VLA模型通常僅基於單幀影像做出反應性動作決策，而該模型通過流式推理將歷史觀測持續納入模型上下文，使得每步計算量從125 TFLOPs大幅降至3.3 TFLOPs，同時能夠保留60幀的歷史資訊，並支援最長一分鐘的視覺記憶。這使VLA模型從單幀觀測的被動反應，邁向基於長程視覺上下文的連續決策。

推理效率是另一個關鍵突破。MiniCPM-RobotManip繼承了MiniCPM-V 4.6的視覺token壓縮技術，將每幀影像從256個視覺token壓縮至64個，實現4倍壓縮率。在H100 GPU、BF16精度、單幀輸入條件下，模型每次決策步驟的前向延遲僅為120毫秒，而對比模型π0.5的延遲為234毫秒。這意味著在同等硬體條件下，MiniCPM-RobotManip的推理速度幾乎翻倍，對於需要即時響應的機器人應用場景至關重要。

該模型基於transformers 5.7.0框架，採用Apache-2.0開源許可，開發者可通過Hugging Face直接獲取模型權重及推理示例程式碼。模型輸入支援多視角影像與機器人狀態向量（80維），輸出為30×80的動作塊（action chunk），可適配多種機器人形態。

從產業角度看，MiniCPM-RobotManip的釋出對具身智慧領域的端側部署與低成本機器人具有啟發意義。當前主流VLA模型往往依賴大規模引數與雲端算力，而面壁通過架構最佳化證明了1.5B級別的模型在複雜操控任務上同樣具備競爭力，且推理延遲更低、硬體門檻更小。這有助於推動機器人從實驗室走向實際應用，尤其是在需要低延遲、高自主性的場景中，如家庭服務、倉儲分揀等。

不過，該模型目前仍處於研究釋出階段，實際部署中還需考慮任務多樣性、環境魯棒性以及硬體適配等問題。面壁智慧在Hugging Face頁面提供了詳細的基準測試結果與推理示例，供社群進一步驗證與改進。