MiniCPM-机器人操控

MiniCPM-RobotManip 是 OpenBMB 发布的 1.5B 参数视觉-语言-动作模型，用于具身操作任务。该模型以统一权重在代表性评测中优于 π₀.₅ 和 Qwen-VLA 等更大规模模型。通过流式推理将历史观测纳入上下文，每步计算量从 125 TFLOPs 降至 3.3 TFLOPs，保留 60 帧历史信息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 个压缩至 64 个。在 H100、BF16、单帧输入下，每决策步前向延迟为 120 ms，低于 π0.5 的 234 ms。模型权重和代码以 Apache-2.0 许可证开源。