WAIC 上具身智能展馆的共识已经很清楚了——机器人要真干活，端侧大脑是绕不过去的坎。但「端侧大脑」具体怎么做、做到什么水平才算及格，之前没人给过一套完整的参照系。

面壁智能这次一口气端出来了三件东西，恰好把这件事的轮廓画出来了。先说两个模型。

MiniCPM-RobotManip，1.5B 参数的通用 VLA 模型。小，但有两点值得说。

一是记忆力。很多 VLA 模型只看当前帧做决策——让机器人按按钮 5 次，它要么按一下停、要么停不下来，因为没有前序记忆。RobotManip 把历史观测和已执行动作完整纳入判断，在专门考察上下文记忆的 RMBench 上拿了 53 分，而 π0.5 只有 10 分，接近随机水平。

二是视觉 Token 压缩。机器人做三明治这种长序列任务，三个摄像头画面持续涌入，历史信息越堆越多，计算量一路暴涨。RobotManip 把 MiniCPM-V 4.6 积累的视觉 Token 压缩能力迁移过来，计算量减半，同时靠流式计算让长记忆的推理成本和单帧反应式一样。效果是单次决策延迟约 120ms，π0.5 是 234ms，接近对方的一半。

这两个能力不是独立的——记得住 + 算得快，才能让长程操作不「断片」。

MiniCPM-RobotTrack，0.9B，负责跟踪导航。它的核心卖点就一个字：断网也能跑。现场演示拔掉了宇树 Go2 的网卡，机器狗照样能跟住指定的人，从室外到电梯到地下停车场不掉链子。单目标跟踪 89.8%、多人干扰 73.4%、模糊指令 80.4%，三项都是开源最优。关键在于一套「自进化数据管线」——模型在仿真和真机中持续暴露弱点，快速转向、短时遮挡、多人交叉这些长尾场景被不断收回训练，相当于一本会自动更新的错题本。

然后是 PhyAI 推理框架。这是三件东西里最容易忽略但最工程化的一个。它在 RTX 5090 上把 π0、π0.5、GR00T 分别加速 2.85x、1.82x、2.28x；适配 MiniCPM-Robot 后，帧率从 10.12Hz 拉到 36.77Hz。一个行业级的痛点：每发一个新模型就要从头适配一次硬件，PhyAI 在解决的就是这个问题。

场景端，面壁和乐聚做了展厅导览和园区巡检（端侧离线讲解、本地处理敏感画面），和吉利进了生产仓储（VLA + RoboHarness Agent 框架做长程任务）。不新鲜，但和模型一起看，意义不一样——1.5B 的模型跑在端侧做真实任务，这件事在工程上走通了。

一个值得注意的数字：面壁把机器人操作体验的临界线划在约 200ms。再慢，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——不是做不大，而是做大了延迟兜不住，落地就悬了。

这个逻辑和之前写 Kimi K3 和 DeepSeek V4 是通的：当能力拉到前沿之后，工程指标（延迟、成本、部署）开始重新定义竞争维度。只不过这次不是在云端，是在机器人身上。

WAIC2026面壁智能具身智能