OpenBMB의 새 로봇 공개는 모델 크기를 키우는 이야기에서 출발하지 않는다. 네트워크가 약하고 기체 안의 컴퓨팅도 제한된 상황에서 로봇이 계속 움직일 수 있는지를 먼저 본다.
MiniCPM-Robot은 7월 19일 GitHub에 공개됐다. 첫 두 모델의 역할은 분명하다. MiniCPM-RobotManip은 조작용 1.5B VLA 모델이고, MiniCPM-RobotTrack은 대상 추적과 내비게이션용 0.9B 모델이다. Physical AI 배포용 추론 프레임워크 PhyAI도 함께 나왔다.
첫 시험은 지연 시간
공식 README는 MiniCPM-RobotManip이 LIBERO easy 97.5, RoboTwin2 clean/random 91.3/91.6을 기록했다고 적었다. 과거 관측을 얼마나 잘 기억하는지 보는 RMBench에서는 53.3으로, π0.5의 10.4보다 높다. 모델 카드는 프레임당 시각 토큰을 256에서 64로 줄였고, H100 BF16 단일 프레임 입력에서 결정 1회당 model-forward 지연 시간이 약 120ms, π0.5는 약 234ms라고 설명한다.
긴 작업에서는 계산량 차이가 더 크다. 60프레임 히스토리를 유지할 때 기존 재계산은 단계당 약 125 TFLOPs, 스트리밍 추론은 3.3 TFLOPs다. 단순 계산으로 단계별 연산을 약 97% 줄인 셈이다. 로봇팔에는 이 차이가 벤치마크 숫자보다 움직임의 끊김으로 먼저 나타난다.
로봇개는 로컬에서 따라가야 한다
MiniCPM-RobotTrack은 현장성이 더 강하다. Unitree Go2 Edu가 자연어 지시와 카메라 영상을 바탕으로 사람을 따라간다. 공개된 추적률은 단일 대상, 다중 방해, 모호한 대상 지정에서 각각 89.8%, 73.4%, 80.4%다. 배포 스택도 Go2 Edu, Jetson Orin NX 16GB, Jetson Linux R36.5, CUDA 12.6, TensorRT 10.7, ROS 2 Humble까지 적혀 있다. 로컬 전체 루프는 5+ FPS, 약 180ms 지연 시간으로 돈다.
클라우드 호출 지연과 로컬 모션 제어 지연은 다른 지표다. 엘리베이터나 지하 주차장에 들어간 뒤에도 카메라, 인코더, 모델, 경로 출력, 제어 명령이 기체 안에서 이어져야 한다.
오픈소스는 실행 가능해야 의미가 있다
이번 공개에는 가중치, 추론 예제, Go2 배포 노트, 환경 설정, 안전 기본값이 포함됐다. Hugging Face 카드도 Apache-2.0 라이선스를 표시한다. PhyAI는 이 위의 엔지니어링 층이다. QbitAI는 RTX 5090에서 π0, π0.5, GR00T가 각각 2.85배, 1.82배, 2.28배 빨라졌고, MiniCPM-Robot은 CUDA Graph로 10.12Hz에서 33.28Hz, 융합 커널을 더해 NVIDIA H20에서 36.77Hz까지 올라갔다고 정리했다.
야오위안은 많은 로봇 데모가 단일 작업에 맞춰 데이터를 많이 모으고 최적화하기 때문에, 그 영상만으로 기반 모델의 진행 상황을 완전히 판단하기 어렵다고 말했다.
남은 검증은 공개 영상이 아니다. 외부 팀이 수치를 재현하는지, Go2 밖의 기체로 옮기는지, 순찰·안내·창고 작업에서 장시간 데이터를 내는지다.
출처: QbitAI; OpenBMB GitHub README에서 공개 상태, Apache-2.0 라이선스, LIBERO/Calvin/RoboTwin/RMBench 및 EVT-Bench 평가 기준 확인; Hugging Face 모델 카드에서 Manip/Track 가중치와 로컬 추론 설명 확인, CocoLoop, OpenBMB 조직 페이지에서 모델 업데이트 상태 확인.