一 | 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。 8 月 25 日消息，据彭博社报道，芬兰智能戒指制造商 Oura 正计划最早于下个月在美国进行 IPO，拟募集最多 30 亿美元（注：现汇率约合 201.87 亿元人民币），并寻求超过 160 亿美元（现汇率约合 1,076.66 亿元人民币）的估值。 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。这家公司拥有 900 多名员工、在旧金山和芬兰设有办公室，投资者预计将在此次发行中出售大量股份。 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。如果最终达到 160 亿美元（现汇率约合 1,076.66 亿元人民币）的估值，Oura 的估值将较去年 9 月大幅提升。当时，Oura 完成了 8.75 亿美元（现汇率约合 58.88 亿元人民币）的 E 轮融资，公司估值达到 109 亿美元（现汇率约合 733.47 亿元人民币）。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。
二 | 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。
三 | 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。该轮融资由 Fidelity、ICONIQ、Whale Rock 和 Atreides 等机构领投，此前的投资者还包括 Dexcom、The Chernin Group、Forerunner Ventures、Coatue 和淡马锡等。可穿戴设备市场正在迅速变得拥挤。三星在两年前推出了自己的智能戒指 Galaxy Ring。不过，Oura 最直接的竞争对手可能是健身手环厂商 Whoop，后者近年来也经历了业务转型。Whoop 最初主要面向顶级运动员和年轻男性，将产品定位为运动表现监测工具。 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。过去一年，该公司开始吸引更加广泛的消费者，并加入围绝经期和甲状腺健康相关的激素追踪及血液检测功能。 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。
四 | 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。这一转型推动 Whoop 在今年 3 月的估值升至 100 亿美元（现汇率约合 672.91 亿元人民币）。 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。
五 | Oura 也走上了类似的发展道路。
六 | 公司最初主要面向热衷“生物黑客”的企业高管，如今已经逐渐转型为面向大众市场的睡眠与恢复健康品牌。 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。今年 5 月，Oura 宣布已经秘密提交 IPO 申请。不过，Oura 最近获得的关注并非都是正面的。 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。上周，一起拟议中的集体诉讼在旧金山提起，指控 Oura 就其睡眠追踪功能的准确性误导消费者。 真正把差距拉开的，是对机器人记忆力的考验。诉讼文件提出了多项指控，其中包括 Oura 不仅宣称产品能够“测量心跳或体温”，还声称可以判断佩戴者所处的具体睡眠阶段。 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。然而，原告认为，准确判断睡眠阶段实际上需要在头皮上安装电极、在眼睛附近安装传感器，通常只有医院或其他临床环境才能做到。
七 | Oura 周末向 TechCrunch 发表声明，对诉讼中的相关指控予以反驳。公司表示将“在适当的法律程序中进行抗辩”，并强调：“虽然 Oura Ring 并非医疗器械，也不能替代临床睡眠检测，但 Oura 的睡眠分期功能已经经过验证，并在多项研究中与作为行业金标准的多导睡眠监测进行了比较，结果表现良好。”Oura 还表示，多项来自第三方独立机构的研究都支持其关于准确性的说法，公司也一直透明地披露用于睡眠分期的相关机制和测量指标。 比如让机器人点击画面里的第二个按钮5次。
八 | 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。
九 | 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。
十 | 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。
十一 | 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。
十二 | 聊天模型多想一秒，用户通常还能等。
十三 | 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。 MiniCPM-RobotTrack也走了类似的小尺寸模型路线。 它以MiniCPM4-0.5B为基础，整体参数规模为0.9B，主要测试三种真实场景。
十四 | 第一种是单目标跟踪。给它一句明确指令，机器狗持续跟着指定的人。
十五 | 第二种是多人干扰。周围几个人同时移动、交叉甚至交换位置，模型依然要认准最初的目标。 第三种更难，指令本身可能比较模糊。比如只说“跟着穿黑衣服的人”，现场又恰好有多个穿着相近的人，模型需要结合画面理解人类到底指的是谁。
十六 | 在没有进行下游强化学习优化的情况下，MiniCPM-RobotTrack在三类任务上的追踪率分别达到89.8%、73.4%和80.4%，均取得开源方案中的最优结果。 相比OpenTrackVLA，三项追踪率分别提高7.0、14.6和6.5个百分点。 在相同的单视角、纯SFT设定下，与闭源模型TrackVLA++相比，它在单目标跟踪和模糊目标跟踪上的追踪率分别高出8.8和17.0个百分点，模糊目标跟踪的成功率达到58.0%。
十七 | 参数小，表现却没有明显掉队。 机器人模型的竞争，也开始从单纯拼规模，转向拼单位算力到底能换来多少能力。 把机器人看到的世界压缩一下 MiniCPM-RobotManip能把尺寸压到1.5B，背后离不开面壁过去在多模态模型上的积累。
十八 | 它基于MiniCPM-V 4.6训练而来（开源不到2个月，下载量已突破200万）。 面壁的MiniCPM-V/O系列已经持续迭代两年多，开源总下载量超过2500万。过去积累的图像理解、视频理解和多模态信息处理能力，如今被进一步搬到了机器人身上。
十九 | 机器人执行一次动作，需要处理的信息其实很多。 一台双臂机器人通常会同时接收三个摄像头的画面，包括两个腕部相机和一个主视角相机，再加上一段文字指令，最后输出一个可以执行的动作。 而且，这个过程一秒要重复好几次。 如果每一张图片都被转换成大量视觉Token，机器人运行得越久，需要处理的历史信息就越多，计算量很快就会堆起来。 MiniCPM-RobotManip采用的办法，是尽量压缩视觉Token。 桌面纹理、墙面图案等和当前任务关系不大的信息，不必占用太多Token。模型用更短的数据表示保留关键内容，单次推理需要处理的信息量也随之下降。 信息少了，推理自然更快。
| 对应到机械臂上，就是等待时间更短，动作衔接更顺。 视觉Token压缩还有一个更大的用处，可以帮助机器人以更低成本保留历史记忆。 常规方法每获得一张新画面，都要把此前的历史重新计算一遍。任务越长，计算量增长得越快。 MiniCPM-RobotManip采用流式计算，前面已经处理过的信息可以继续复用，新画面进来后，只需要接着往下计算。 这就有点像看连续剧的感觉了。 普通做法每更新一集，都要从第一集重新看起；流式计算则会记住之前的剧情，直接从最新一集接着看。 机器人因此可以带着更长的历史继续执行任务，同时避免计算量一路暴涨。 1.5B的尺寸，也和机器人的实际运行需求有关。 面壁在将约200毫秒视为机器人操作体验的一道临界线。再慢下去，机械臂和机器狗的卡顿感就会明显增加。
| 当前多数VLA基础模型都控制在4B以内。模型继续做大能带来多少真实操作收益，行业仍在验证。
| 作者声明：该图片由AI生成 到了MiniCPM-RobotTrack这里，轻量化的思路又换了一种实现方式。 它把视觉画面、自然语言指令和机器人的控制决策放进同一个模型里统一处理。 用户说一句“跟着前面穿黑衣服的人”，模型会直接结合摄像头画面理解指令，再把判断转换成机器狗的运动控制。 整个过程不需要额外安装一套目标检测模块、一套识别模块，再接一套跟踪系统。
| 也不用外接开发板，只靠宇树Go2 Edu原装摄像头和本地算力，就能完成单目标跟踪、多人干扰跟踪和模糊目标跟踪。 不过，真实世界总会出现训练集里很少见的情况。 目标可能突然从镜头前横穿过去，也可能快速转弯，被其他人短暂挡住。几个人同时交叉走动时，机器狗还要避免跟错人。 这类场景数量少，却最容易让模型翻车。所以，面壁为此搭建了一套自进化数据管线。 团队先对原始数据进行检查和清洗，把异常轨迹、错误动作和无效交互剔除掉。随后让模型进入仿真和真实机器人环境，在持续运行中主动暴露自己的薄弱环节。 系统再把这些容易出错的场景集中收集起来，通过专家策略进行纠偏，放回下一轮训练。 说得通俗一点，这就像给机器狗准备了一本会自动更新的错题本。 经过一轮轮闭环训练，目标横穿、快速转向、短时遮挡、多人交叉这些长尾问题，也能不断得到加强。 模型训好了，装到真机上仍然有一道关。
| 摄像头采集、画面编码、模型推理、动作生成、指令传输，任何一个环节慢下来，最终都会反映在机器狗的动作上。 面壁围绕宇树Go2的完整运行链路做了系统级优化。
| 目前MiniCPM-RobotTrack在机器狗原生本地算力上可以稳定达到5Hz以上，端到端响应延迟约180毫秒。 这次开源的内容也不只有模型权重，还包括环境安装、模型加载、摄像头接入、文本指令输入、控制接口和一键启动脚本。 准备一台Go2 Edu，就能按照开源流程把模型部署起来。
| 本地部署的好处，在电梯和停车场的演示里体现得很直接。
| 机器人不用等待画面上传云端，也不用等远程服务器返回结果。摄像头数据和用户指令留在本地，网络信号变差后，完整功能依然可以继续运行。 直接拔掉网卡，机器狗照样能根据摄像头画面和文字指令，完成目标识别、持续跟踪和运动控制。 除了MiniCPM-Robot系列之外，这次还有一项容易被忽略的发布——PhyAI。 它是一款面向Physical AI的开源推理框架，由明体科技联合北京邮电大学、北京大学研发。
| 具身模型想从实验室跑到真实机器人上，中间还要经过硬件适配、量化、算子优化和部署。 不同VLA、世界模型的结构差异很大。每发布一个新模型，再从头适配一次，时间和工程成本都不低。 PhyAI想做的，就是把这段路缩短。 在RTX 5090上运行π0、π0.5和GR00T时，PhyAI相较模型官方仓库分别实现约2.85倍、1.82倍和2.28倍加速。
| 适配MiniCPMRobot系列模型时，PhyAI先通过CUDA Graph把推理帧率从10.12Hz提高到33.28Hz，再加入为模型定制的融合算子，在NVIDIA H20上进一步提高到36.77Hz。 前面是模型效果，这里解决的是工程效率。 模型能干活，还得尽快跑上硬件，跑得足够快，才能真正进入更多机器人。 机器人需要又好又便宜的大脑 具身智能行业从来不缺精彩Demo。真正难的是离开展台之后，机器人还能不能稳定工作。 清华大学人工智能学院助理教授、面壁智能多模态首席科学家姚远在访谈中也提到： 现阶段不少机器人Demo会围绕单一任务采集大量数据，再进行针对性优化，展示效果并不能完全代表基础模型的真实进度。面壁更看重模型的基础性、泛化性和通用性，希望先把数据、Infra和工程链路打磨好，让基础能力提升后自然覆盖更多场景。
| 沿着大语言模型的发展经验，具身智能最终也要走向“先通后专”，先理解物理世界的基本常识，再成为做饭、叠衣服或仓储作业等具体领域的专家。 展馆、园区和工厂里，网络信号不会一直满格。机器人还要面对隐私、数据合规、任务失败和异常恢复等一连串现实问题。 榜单分数再高，走到地下停车场便停摆，落地空间依然有限。 这也是面壁把端侧能力放在重要位置的原因。 在与乐聚机器人的合作中，面壁把端侧多模态大模型、夸父机器人本体和导航系统组合到了一起，推出展厅导览Agent和园区巡检Agent。 展厅导览机器人在无网环境下，也能基于本地知识库完成离线讲解和自由问答。它可以理解展厅环境和人的指令，规划导览路线，同时完成避障。 园区巡检机器人则可以识别车辆违停、路面异常和公共设施问题。
| 敏感画面直接在本地处理，数据留在客户侧。 与吉利汽车的合作，则进一步走进了生产仓储场景。 面壁和吉利共同训练VLA模型，再通过RoboHarness把VLM、VLA、机器人本体和导航系统接到一起，让机器人执行仓储中的长程任务。 RoboHarness可以理解成物理世界里的Agent执行框架。 上层VLM负责规划任务，VLA和导航系统作为可以调用的工具。框架还会管理长任务的上下文和记忆，遇到失败时进行重试和恢复。 机器人每完成一次任务，运行数据还会进入可治理的数据闭环，继续帮助模型进化。
| 作者声明：该图片由AI生成 到这里，面壁此次在WAIC带来的具身智能路线已经比较清楚了。 MiniCPM-RobotManip负责操作，让机械臂理解任务、记住过程，再把事情做完。 MiniCPM-RobotTrack负责跟踪导航，让机器狗在复杂环境里认准目标，断网也能继续走。 PhyAI负责把模型更快地部署到真实硬件上。
| 再往外，乐聚和吉利的合作开始把模型、本体、导航和具体业务流程接起来。
| 大语言模型时代，人们习惯用参数量判断能力。但机器人真正走进物理世界后，参数只是其中一个数字。
| 它还得反应够快、记得住、断网能跑，数据留得下来，遇到意外能够恢复，成本也要控制在企业愿意长期使用的范围内。 从这个角度看，1.5B和0.9B的意义，也就不止是“小”。它们更像是在回答一个很现实的问题： 当AI真正长出手脚，除了聪明，还得跑得动、用得起，最后把活干完。
| GitHub链接： https://github.com/OpenBMB/MiniCPM-Robot HuggingFace链接： https://huggingface.co/openbmb/MiniCPM-RobotManip https://huggingface.co/openbmb/MiniCPM-RobotTrack。
Current article:http://fku9.gangzhengganfouanlou.pics/news/20260826_3986.html
Published on:00:00:00
