2026 世界人工智能大会上，长期深耕端侧多模态大模型的面壁智能正式切入具身智能赛道，发布并开源整套 MiniCPM-Robot 系列模型，补齐自身从文本、多模态到物理实体交互的技术版图，向完整 AGI 体系再进一步。面壁智能联合创始人、董事长李大海介绍，企业今年 1 月组建专属具身团队，依托自研 MiniCPM 多模态成熟底座快速完成技术落地，本次核心成果分为两款开源机器人模型，整体锚定打通物理智能的 AGI 长期战略。

MiniCPM-RobotManip 是 1.5B 参数通用 VLA 操作模型，基于成熟的 MiniCPM-V 4.6 多模态基座训练，可独立完成制作三明治等多步骤长程复合任务，综合性能对标 Qwen-VLA、π0.5 等行业主流 VLA 方案；在专门衡量机器人上下文记忆能力的 RMBench 评测中，该模型拿到 53 分，大幅领先 π0.5 仅 10 分的成绩，解决行业主流模型仅能识别单帧画面、丢失历史操作信息的通病。另一款 MiniCPM-RobotTrack 为 0.9B 轻量化跟踪导航模型，未经过下游强化学习优化，三项跟踪任务追踪率分别达到 89.8、73.4、80.4，开源方案里性能最优，同时是业内首款支持纯本地无网络部署的跟踪模型，原生适配宇树 Go2 Edu 机器狗，在设备原生本地算力下稳定跑出 5FPS，端到端响应时延仅 180 毫秒，真机开放环境中可抵御行人穿梭遮挡干扰，电梯、地下停车场等弱网、断网场景也能稳定跟随导航。

当下行业具身智能分化出两条完全不同的技术路线，多数机器人厂商选择垂直专用路径，从抓取、拧螺丝等单一任务逐个突破，依靠叠加专用模块逼近通用能力，该路线短期易实现单项指标突破，但不同任务模型数据相互隔离，长期积累大量难以化解的技术债务；而拥有大模型研发能力的企业普遍选择通用路线，相信统一架构、统一参数更适配 Scaling 规律，依靠海量数据持续迭代实现通用能力质变，面壁智能正是通用路线代表，MiniCPM-RobotManip 从底层架构、训练范式、数据策略全部围绕通用性设计，一套模型可适配不同形态机器人本体，实现跨场景、长流水线自主作业，而非局限单一操作闭环。

成熟多模态底座大幅缩短面壁切入机器人赛道的研发周期，传统机器人团队需要从零搭建视觉感知系统，历经数据采集、标注、训练、场景适配漫长流程，泛化短板突出。面壁自研 MiniCPM-V/O 系列多模态模型经过两年半迭代，全球开发者下载量超 2500 万，在复杂光照、物体遮挡、材质多变等真实场景中完成海量验证，无需重复搭建底层视觉能力，研发重心集中在视觉、语言、动作联合决策核心难题，原生多模态基因让企业处理物理世界复杂信息拥有更低试错成本、更快迭代速度。

长期困扰行业 VLA 模型的长时序记忆算力瓶颈，依靠面壁智能视觉 Token 极致压缩技术实现突破。当前绝大多数机器人模型仅能读取当前单帧画面，丢弃全部历史操作与视觉信息，根源在于多路摄像头持续输出画面会产生海量视觉 Token，一分钟视频即可生成数万至十万级 Token，完整存储历史信息会带来难以承受的算力开销。面壁联合清华研发 LLaVA-UHD v4 架构，采用 ViT 浅层早压缩 + 切片编码双重机制，传统单帧图像编码需要 256 个 Token，该技术实现 4 倍无损压缩，仅需 64 个 Token 即可承载同等视觉信息，编码计算量降低 55.8%，推理速度大幅提升。依托这套压缩方案，模型可低成本留存长时序视觉记忆，完整记录机器人过往动作与环境变化，同时大幅降低硬件部署门槛，让机器人在本地有限算力下流畅完成连续任务推理，打通具身智能落地最关键的性能卡点。

依托全套轻量化端侧具身模型，面壁智能已经走出实验室演示阶段，落地多条商业化场景，与乐聚机器人形成稳定深度合作。早期乐聚导览机器人依赖云端大模型完成多模态交互，网络延迟严重影响体验，双方合作方案将面壁端侧模型部署至机器人本地，实现实时感知、实时决策、实时交互，支持完全离线无网运行导览问答，所有画面、交互数据本地处理，保障企业数据主权安全。展厅导览方案落地验证后，双方进一步拓展园区巡检场景，搭载乐聚本体可自动识别车辆违停、路面破损、设施异常等三十余种问题，检测成功率超 95%，覆盖六大类商用服务场景。同时面壁同步与吉利机器人合作，将 VLA 模型集成至工业仓储机器人，布局制造业产线落地。

2026 年多家头部大模型企业集中入局具身赛道，阿里发布千问 Robot 系列全套具身基座，智谱联合人大推出 26 亿参数端到端 VLA 模型并开源千万级机器人数据集，WAIC 期间腾讯一次性发布三大分层具身基座模型，全行业形成共识，具身智能是 AGI 发展的必经之战。李大海表示，具身智能属于端侧模型自然延伸，并非业务方向大幅转向，行业当下主流云端决策模式不适合机器人，物理世界感知、规划、执行需要毫秒级闭环，决定核心智能能力必须本地部署，长期产业落地会形成 “端侧为主、云端为辅” 的范式，离线完成绝大多数常规任务，仅遇到长尾未知场景时联网调取云端大模型辅助。

过去三年大模型在文本、图像、代码领域实现能力突破，但纯虚拟对话智能仅完成 AGI 一半拼图，真正通用人工智能必须具备感知、改造物理世界的能力，当大模型能力走出数字界面、接入实体机器人，具身赛道就不再只是硬件厂商专属领域，而是所有 AGI 研发企业的核心布局方向。截至 2026 上半年，面壁智能累计三轮融资总额超 50 亿元，估值突破 200 亿，是国内端侧智能赛道估值最高的独角兽，企业发展路径清晰，从端侧文本模型、多模态模型，再到本次补齐物理交互的具身智能模型，完整搭建通往通用人工智能的技术链路。