OpenBMBs neue Robotik-Veröffentlichung beginnt nicht mit einem größeren Modell. Sie stellt zuerst die praktische Frage, ob ein Roboter weiterarbeiten kann, wenn das Netz schwach ist und die Rechenleistung im Gerät begrenzt bleibt.
MiniCPM-Robot wurde am 19. Juli auf GitHub veröffentlicht. Die ersten beiden Modelle teilen sich die Arbeit: MiniCPM-RobotManip ist ein 1.5B-VLA-Modell für Manipulation, MiniCPM-RobotTrack ein 0.9B-Modell für Zielverfolgung und Navigation. Dazu kommt PhyAI als Inferenz-Framework für Physical-AI-Deployments.
Latenz ist die erste Prüfung
Das offizielle README nennt für MiniCPM-RobotManip 97.5 auf LIBERO easy und 91.3/91.6 auf RoboTwin2 clean/random. Auf RMBench, das Gedächtnis über frühere Beobachtungen prüft, erreicht das Modell 53.3; π0.5 liegt bei 10.4. Die Modellkarte beschreibt außerdem eine Kompression visueller Tokens von 256 auf 64 pro Frame und etwa 120 ms Model-Forward-Latenz pro Entscheidungsschritt auf H100 BF16, verglichen mit 234 ms für π0.5.
Für lange Aufgaben ist die Rechenzahl noch wichtiger. Bei 60 Frames Historie benötigt traditionelles Neuberechnen etwa 125 TFLOPs pro Schritt, Streaming-Inferenz 3.3 TFLOPs. Grob gerechnet sinkt die Schritt-Rechenlast um mehr als 97%. Bei einem Roboterarm zeigt sich das als flüssigere Bewegung, nicht nur als Benchmark-Zeile.
Der Roboterhund muss lokal folgen
MiniCPM-RobotTrack ist näher am realen Einsatz. Ein Unitree Go2 Edu folgt Personen anhand von Sprache und Kamera. Gemeldete Tracking-Raten liegen bei 89.8%, 73.4% und 80.4% für Einzelziel, mehrere Störpersonen und mehrdeutige Zielbeschreibung. Auch der Deployment-Stack ist konkret: Go2 Edu, Jetson Orin NX 16GB, Jetson Linux R36.5, CUDA 12.6, TensorRT 10.7 und ROS 2 Humble. Die lokale End-to-End-Schleife läuft mit 5+ FPS und etwa 180 ms Latenz.
Cloud-Latenz und lokale Bewegungssteuerung sind nicht dieselbe Messgröße. Wenn der Roboter in einen Aufzug oder eine Tiefgarage fährt, müssen Kamera, Encoder, Modell, Waypoints und Befehle im lokalen Kreislauf bleiben.
Open Source zählt, wenn es läuft
Die Veröffentlichung enthält Gewichte, Inferenzbeispiele, Go2-Deployment-Hinweise, Umgebungsanleitungen und Sicherheitsvorgaben; die Hugging-Face-Karten nennen Apache-2.0. PhyAI ergänzt die Engineering-Schicht. QbitAI meldete 2.85x, 1.82x und 2.28x Beschleunigung für π0, π0.5 und GR00T auf RTX 5090; bei MiniCPM-Robot stieg der Durchsatz mit CUDA Graph von 10.12Hz auf 33.28Hz und mit fused kernels auf NVIDIA H20 auf 36.77Hz.
Yao Yuan sagte, viele Robotik-Demos würden stark um eine einzelne Aufgabe herum optimiert; die Vorführung zeige daher nicht automatisch den Stand eines Basismodells.
Die nächste Prüfung ist kein Launch-Video. Entscheidend wird, ob externe Teams die Zahlen reproduzieren, die Modelle über Go2 hinaus portieren und Langläufergebnisse in Inspektion, Führung oder Lagerarbeit veröffentlichen.
Quellen: QbitAI; OpenBMB GitHub README für Release-Status, Apache-2.0-Lizenz, LIBERO/Calvin/RoboTwin/RMBench- und EVT-Bench-Metriken; Hugging Face Modellkarten für Manip/Track-Gewichte und lokale Inferenzhinweise, CocoLoop, OpenBMB-Organisationsseite für Modell-Update-Status.