MiniCPM-机器人操控

MiniCPM-RobotManip 是由 OpenBMB 发布的 1.5B 参数视觉-语言-动作（VLA）模型，用于具身操作任务。该模型采用统一权重策略，在代表性评估中优于 π₀.₅ 和 Qwen-VLA 等更大规模模型。通过流式推理将每步计算量从 125 TFLOPs 降至 3.3 TFLOPs，保留 60 帧历史并支持最长一分钟视觉记忆。继承 MiniCPM-V 4.6 的视觉 token 压缩能力，每帧从 256 压缩至 64 个 token，在 H100、BF16 条件下单帧前向延迟为 120 ms（π0.5 为 234 ms）。模型权重和代码基于 Apache-2.0 许可证开源，参考了 starVLA 和 LeRobot 项目。