把具身大脑装进终端：面壁开源小参数路线的真实进展与边界

2026年世界人工智能大会的展台上，一台没有连网线的导览机器人正在回答观众的随机问题，识别展厅里的异常情况，所有计算都在机身本地完成——这是面壁智能此次展出的MiniCPM-Robot具身方案的演示场景。同期发布的还有20亿参数的MiniCPM5-2B端侧文本模型，以及覆盖手机、车机、机器人三大终端的全栈端侧适配方案[5][8]。

从展会传播的信息看，这似乎是具身智能摆脱云端算力依赖的关键节点：小参数模型做到了通用能力比肩大模型，纯离线运行解决了时延和隐私问题，开源方案把研发门槛从千万级压到了十万级[4][6]。但与此同时，行业对这套方案的跑通率质疑始终存在：所有性能数据均来自厂商自测，公开演示仍局限于特定封闭场景，规模化落地的证据尚未出现[1]。

要厘清这次发布的真实价值，必须剥离传播叙事的夸张成分，区分可验证的工程进展、逻辑自洽的技术推断与尚未落地的产业承诺，明确这条小参数端侧具身路线到底解决了什么问题，又存在哪些不可忽视的边界。

可验证的进展：端侧工程栈的完整落地

面壁的端侧具身方案并非凭空出现的展会新品，而是其过去四年端侧小模型技术路线的延伸。2023年整个行业都在追逐千亿参数的云端大模型时，面壁就已经转向了端侧小模型的研发；2024年开源的MiniCPM系列，首次证明了10亿参数级别的小模型也能达到接近通用大模型的能力表现[2][12]。截至2026年6月，MiniCPM全系列开源模型的累计下载量已突破3800万次，覆盖文本、视觉、语音全模态，是当前国内关注度最高的端侧开源模型系列之一[4][5]。

这条路线的核心逻辑是“智能密度优先”，即不追求参数规模的扩张，而是提升单位参数的信息密度，用更小的模型实现更高的性能。其已验证的技术积累包括16倍无损视觉Token压缩、1.58-bit三值量化、流式推理框架等：BitCPM-CANN系列模型通过1.58-bit量化，可将推理显存占用缩减6倍，能力保留率仍达90%-97.2%（为厂商内部测试结果，尚未经第三方评测机构独立复现），8B参数版本即可在主流旗舰手机上流畅运行[11][12]；视觉Token压缩技术则可在不损失信息的前提下，将多模态模型的视觉输入数据量压缩至原来的1/16（为厂商内部测试结果，尚未经第三方评测机构独立复现），大幅降低端侧推理的算力需求[12]。这些技术均已在GitHub开源，第三方开发者可复现其在骁龙、联发科等主流端侧芯片上的推理时延表现，并非本次发布才提出的全新概念。

此次发布的两款核心产品，正是上述技术积累在具身场景的落地。首先是MiniCPM5-2B端侧文本模型，仅20亿参数，在Artificial Analysis（AA）榜单的4B以下模型评测中拿到17分，位列全球第一，覆盖通用知识、数学推理、代码生成、指令遵循等八大能力维度，原生支持快速响应与深度推理的混合思考模式，配备512K超长上下文窗口，单次可处理整部长篇小说或数十万行代码[7][10]。尽管该榜单仅针对通用文本能力，不涉及具身任务评测，但它证明了面壁在小参数模型的通用能力优化上，确实做到了同尺寸的顶尖水平，为具身决策提供了可靠的基座。

更具行业意义的是MiniCPM-Robot具身系列的发布，据公开可查信息，这是国内首个完整开源的端侧具身工程栈，包含两个核心模型：一是1.5B参数的通用VLA模型MiniCPM-RobotManip，用于机器人的操作决策，通过视觉Token压缩与流式推理技术，可保留约1分钟的历史观测，解决了此前VLA模型无法处理长程时序任务的痛点。面壁披露的测试数据显示，在包含60帧历史观测的任务中，流式推理将每个决策步的计算量从传统方案的125 TFLOPs降至3.3 TFLOPs，在H100、BF16条件下的单步推理时延为120毫秒（为厂商内部测试结果，尚未经第三方评测机构独立复现）[8][12]。二是0.5B参数的跟踪导航模型MiniCPM-RobotTrack，基于MiniCPM4训练完成，是业内首个可实现真实本地纯无网部署的纯视觉跟踪模型，可在宇树Go2 Edu机器人的原生机载算力上稳定运行5+ FPS，端到端时延约180毫秒（为厂商内部测试结果，尚未经第三方评测机构独立复现），在单目标跟踪、多人干扰、模糊指令三个场景的自测追踪率分别达到89.8%、73.4%、80.4%（为厂商内部测试结果，尚未经第三方评测机构独立复现），均为当前开源方案中的最优结果[9]。

除了模型本身，这套工程栈最核心的进展是完成了9款主流芯片的Day0适配，覆盖华为昇腾、海光、昆仑芯、平头哥、英伟达、AMD、英特尔、联发科、高通等厂商，同时提供了自研的PhyAI推理框架与完整的部署工具链[7][10]。在此之前，开发者若要实现端侧具身模型的部署，需要自行完成底层算子优化、芯片适配等工作，仅适配环节就需要2-3个月的研发周期；而面壁的这套方案，可让开发者在已适配的硬件上直接跑通“视觉感知-决策-执行”的基础链路，无需从零搭建底层技术栈，确实降低了端侧具身的部署门槛。

在商业化落地层面，面壁的端侧模型也已经走出了实验室阶段。三星Galaxy系列旗舰手机的端侧AI功能采用了MiniCPM系列模型，且已通过国内的AI产品备案[2]；吉利银河M9、长安马自达EZ-60等量产车型的智能座舱，也已经搭载了面壁的端侧模型，累计量产交付量已达30万台，积累了消费级终端的规模化适配经验[5][11]。此次WAIC期间，面壁还宣布与英特尔签署合作备忘录，将端侧模型的适配范围从车载拓展至家居、PC等场景；与吉利汽车、乐聚机器人合作的仓储巡检、展厅导览具身方案，也已经完成了封闭场景的试点验证[5][8]。

路线的价值：击中具身智能的核心痛点

面壁的端侧具身路线之所以引发行业关注，核心原因是它击中了当前云侧具身方案的三个核心痛点，为具身智能的规模化落地提供了另一种可能的路径。

第一个痛点是成本。当前主流的云侧VLA方案，单台机器人的月算力成本通常在50-120元之间，年成本达600-1440元，若规模化部署上百台机器人，仅算力成本每年就需要数十万元，这还不包括数据传输、云服务运维等费用[4][6]。而端侧方案的所有计算都在本地完成，无需支付持续的云算力费用，单台年算力成本可压缩至百元以内，对于园区巡检、仓储物流等需要规模化部署机器人的场景，成本优势十分明显。

第二个痛点是时延。机器人操作有一条公认的性能红线：全链路时延不能超过200毫秒，否则就会出现反应滞后、碰撞、操作失败等问题。云侧方案的推理时延通常在300毫秒以上，再加上数据传输的网络时延，很难满足机器人实时操作的要求；而端侧方案的单步推理时延可控制在120毫秒以内，即使加上视觉采集、执行器控制的开销，全链路时延也可控制在200毫秒左右，刚好满足低速机器人的操作需求[8][9]。

第三个痛点是隐私与合规。对于园区巡检、家庭服务、商业场所导览等场景，机器人采集的视频、音频数据涉及大量敏感信息，若上传至云端处理，将面临较高的数据合规风险。而端侧方案的所有数据都在本地处理，无需上传至云端，从技术层面解决了数据隐私的问题，符合越来越严格的数据合规要求[4][9]。

除了解决具体的痛点，这条路线更重要的价值是对当前具身行业的路线纠偏。面壁智能联合创始人刘知远提出的“爬树登月”警示，直指当前具身行业的普遍问题：很多厂商通过采集特定场景的大量数据，训练出只能完成单一任务的专用模型，在Demo演示中表现优异，但换个场景就完全无法使用，这就像“用爬树的方式试图靠近月球，永远不可能真正登月”[12]。而面壁提出的“先通后专”路线，主张先打造通用的端侧具身基座，再针对具体场景做微调，避免了专用模型的过拟合问题，符合通用人工智能的长期发展方向[3][12]。

同时，开源的模式也降低了具身智能的参与门槛。在端侧方案出现之前，具身智能的研发基本被头部大厂垄断：波士顿动力的Atlas机器人研发成本以亿美元计，特斯拉Optimus项目的投入更是达到了百亿美元级别，中小开发者几乎没有参与的可能[6]。而面壁将完整的模型权重、推理框架、适配工具链开源，中小开发者无需投入巨额资金训练模型、搭建底层技术栈，只需基于开源方案做场景适配，即可开展具身智能的研发，这将吸引更多开发者进入这个赛道，加速整个行业的技术迭代。

不可忽视的边界：Demo与落地的距离

尽管这条路线的进展和价值值得肯定，但当前的传播叙事显然过度放大了技术进展的产业价值，刻意模糊了多个关键边界，需要逐一厘清。

第一个边界是“部署门槛”与“落地门槛”的差异。面壁的开源方案确实降低了端侧具身的部署门槛——开发者可在已适配的硬件上快速跑通基础的感知-决策链路，模型部署与基础适配环节的成本确实可控制在十万级，远低于此前千万级的入门门槛。但这并不等同于具身智能的整体落地门槛降到了十万级：如果开发者需要实现可商用的场景能力，仍需投入至少70%的整体研发预算，用于私有场景数据采集、非标执行器驱动适配、行为对齐等工作。例如，要复现展台上95%识别率的巡检能力（为厂商内部测试结果，尚未经第三方评测机构独立复现），开发者需要采集至少1000条对应场景的交互数据做微调，还要针对不同机器人的传感器、执行器做定制化适配，这部分成本并未被开源方案覆盖。

第二个边界是“厂商自测性能”与“真实场景性能”的差异。目前公开的所有性能数据，包括巡检识别率、跟踪准确率、推理时延、算力压缩比，均为面壁在封闭、理想的测试场景下的自测数据，并未公开测试集的光照条件、遮挡程度、指令复杂度、干扰因素等核心约束条件，也没有第三方机构在MLPerf Embodied、RMBench等通用具身评测基准下的独立复现报告[1][3]。参考具身智能行业的普遍规律，封闭Demo环境下的性能数据，在开放场景通常会出现30%-40%的衰减，这意味着该系列模型在真实复杂场景下的任务跑通率大概率低于60%，目前尚无公开数据验证其在干扰条件下的实际表现。

此外，被反复提及的多个宣传口径也存在明确的适用范围限制。例如“AA榜单2B以下模型第一”的表述，仅针对通用文本能力评测，并未纳入端侧具身的核心考核指标（推理时延、内存占用、跨硬件适配成本、具身任务完成率等），与具身性能没有直接相关性，不能作为技术优势的有效支撑[7][10]；“3800万次累计下载量”的口径，并未披露去重规则，也未区分镜像站同步、CI自动拉取、开发者测试下载、商用下载的占比，参考开源模型行业的普遍情况，测试性下载占比通常超过70%，商用转化率不足1%，因此该数据仅能佐证模型的行业关注度，不能直接对应开发者活跃度或商用生态规模；“全离线运行”的能力，仅覆盖感知与决策环节，SLAM地图更新、全局任务同步等功能仍需要连网，因此隐私合规优势仅适用于数据不外出的封闭场景，并非全场景通用。

第三个边界是“工程逻辑自洽”与“商业化闭环”的差异。尽管面壁的端侧模型已经在手机、车机领域实现了量产搭载，在具身场景也有多个试点项目，但目前所有的合作均为定制化研发项目，尚未出现按出货量分成的持续付费模式，也没有规模化采购的公开证据，商业化闭环尚未形成。换句话说，当前客户支付的是定制化研发的服务费，而非为通用基座模型支付的持续授权费，这套方案能否形成可复制的规模化商业模式，仍有待验证。

同时，面壁的技术壁垒也并非不可突破。其核心优势是过去四年积累的端侧量产适配经验，但如果阿里千问、智谱等头部大模型厂商将其成熟的模型压缩技术落地到2-4B参数区间，很容易在具身性能上实现追平甚至反超；而开源模式的特性，也决定了面壁无法通过技术实现强锁客，开发者可自行修改模型权重，适配不同的硬件与场景，面壁对生态的控制力相对有限。此外，1.5B参数的VLA模型至少需要4GB的机载显存，刚好触及当前主流消费级机器人的算力上限，千元级的消费级机器人仍无法运行这套方案，硬件门槛并未完全消除。

第四个边界是“路线正确”与“能力落地”的差异。“先通后专”的技术路线确实击中了当前具身行业Demo过拟合的痛点，但目前所有公开的落地案例均为与合作方深度绑定的定制化试点，并未体现出通用基座的跨场景泛化能力，本质上仍属于特定场景的Demo展示，尚未跳出刘知远本人警示的“具身智能虚假繁荣”阶段。通用具身能力的突破，需要大量的真实场景交互数据与长期的技术迭代，目前这套方案的通用泛化能力尚未得到验证。

后续的核心观测指标

判断这条端侧具身路线的真实价值，不需要依赖模糊的行业共识，只需要跟踪三个可验证的核心指标，任何一个指标的落地，都会显著提升当前判断的置信度。

第一个指标是技术端的第三方验证。模型开源后30天内，第三方开发者在非适配硬件上的功能复现率能否超过60%，将直接证明这套工程栈的通用性与易用性；同时，该系列模型能否在MLPerf Embodied、RMBench等第三方通用具身评测基准上拿到靠前的排名，将直接验证其具身性能的真实性，而非仅在特定场景下的Demo表现。

第二个指标是产业端的规模化落地。未来6个月内，MiniCPM-Robot系列的商用搭载量能否突破1万台，且付费客户占比不低于30%，将证明这套方案确实得到了产业端的认可；若出现终端厂商愿意按出货量分成的模式支付模型授权费，则可证明商业化闭环真正形成，而非仅靠定制化项目存活。

第三个指标是性能端的真实场景验证。真实开放场景下的任务跑通率能否稳定在80%以上，端侧能力的实际用户调用率能否超过30%，将证明这套方案确实解决了用户的真实需求，而非仅作为噱头搭载在终端产品上。

整体而言，面壁智能此次发布的2B参数端侧开源具身系列，是国内端侧具身赛道从概念Demo走向开源工程化的重要一步。它不是传播叙事里“改变具身行业的里程碑”，也不是质疑声中“毫无价值的展会Demo”——它真的把端侧VLA的部署门槛压到了消费级终端的临界值，为中小开发者提供了一套完整的、可直接使用的端侧具身工程栈，路线方向也符合通用具身智能的长期发展逻辑。

但我们也必须清醒地认识到，部署门槛的降低只是第一步，从Demo到规模化商用的距离仍然漫长。目前同参数级（2B左右）端侧具身模型的商业化进展普遍较慢，智谱ChatGLM-3-2B、阿里千问Qwen2-2B的具身适配版本均未推出完整开源工程栈，公开可查的商用落地案例累计不足千台；2026 WAIC参展的21款端侧具身方案中，仅3款进入封闭场景试点，其余仍处于概念验证阶段[3]，全行业的规模化落地信号尚未形成共识。当前所有关于“端侧具身进入规模化落地元年”的判断，都还缺乏足够的全行业数据支撑。这条小参数端侧路线到底能不能成为具身智能的主流落地路径，最终还是要靠真实场景的跑通率、产业端的付费意愿、第三方的性能验证来回答，而不是靠展会的演示与宣传的口径。