思必驰智能发布首个想象性智能成果 MiniCPM-Robot 系列模型，含 1.5B VLA 与 0.9B 跟踪模型

核心架构：双模型驱动的轻量级方案

面壁智能此次发布的MiniCPM-Robot系列并非单一模型，而是一套由两个专用模型构成的协同系统，旨在以极低的参数规模实现高效的机器人控制。

这种设计将复杂的具身任务分解为“决策”与“感知锁定”两个子问题，由不同模型专职处理，避免了单一模型负担过重导致的效率下降。

MiniCPM-VLA：高效的动作生成引擎

作为系列主模型，MiniCPM-VLA是一个端到端的视觉语言动作模型。它直接接收视觉输入和自然语言指令，输出机器人可执行的动作序列。

• 多模态指令跟随：模型能够理解复杂的自然语言指令，并将其与视觉场景关联。例如，接收“把红色积木放在蓝色盒子里”的指令后，它能识别物体、规划路径并生成抓取、移动、放置等连续动作。
• 轻量化设计优势：1.5B的参数规模使其能够在边缘设备上高效运行，无需依赖云端算力，大幅降低了硬件成本和通信延迟，这对实时控制至关重要。
• 动作空间建模：VLA模型直接输出末端执行器的轨迹和状态，将感知、规划和控制融为一体，简化了传统机器人系统中的多模块级联架构。

MiniCPM-Tracker：精准的视觉锚定能力

在动态、非结构化的环境中，稳定跟踪目标是成功执行任务的前提。0.9B参数的MiniCPM-Tracker专门负责这一关键环节。

• 鲁棒的目标跟踪：模型能够在目标发生形变、被部分遮挡或光照条件变化时，依然保持稳定跟踪，为VLA模型提供连续、可靠的目标位置信息。
• 低延迟响应：小参数模型保证了极高的处理速度，能够实时捕捉目标的快速移动，确保动作指令生成的时效性。
• 协同工作机制：Tracker模型锁定目标后，其输出的空间坐标直接作为VLA模型的重要输入，形成“眼”与“手”的紧密闭环。

技术亮点与价值分析

MiniCPM-Robot系列的推出，其核心价值在于对具身智能模型部署可行性的探索。

1. 极致的效率：整套系统总参数量仅2.4B，远低于主流大语言模型，却完成了从环境感知、指令理解到动作执行的完整链路。这证明了在特定具身任务中，精巧的专用模型可以媲美甚至超越庞大的通用模型。
2. 端侧部署潜力：低算力需求使其天然适配各类移动机器人和嵌入式平台。这意味着未来的家用服务机器人、工业协作臂等设备，有望在完全离线的状态下获得高级智能，保护数据隐私并消除网络依赖。
3. 模块化与可扩展性：将视觉跟踪与动作生成解耦的模块化设计，为后续升级提供了便利。开发者可以单独优化跟踪算法或动作策略，而无需重新训练整个系统，加速了迭代进程。

应用场景展望

该轻量级方案为具身智能的广泛落地提供了新的可能。

• 桌面级操作任务：在实验室、家庭等场景中，执行物品分拣、整理、简单装配等结构化或半结构化任务。
• 人机协作：在轻工业产线上，机器人可以安全、精准地配合工人完成零件传递、工具取送等工作，其小体积和低功耗优势明显。
• 教育与科研平台：作为一套易于部署和调试的具身智能基线系统，非常适合高校和研究机构进行算法验证和教学演示。

MiniCPM-Robot的出现，标志着具身智能模型正朝着更务实、更高效的方向演进。它用事实证明，通往通用具身智能的道路，不一定需要无尽的参数堆砌，精巧的系统设计与任务聚焦同样是一条充满前景的路径。