MiniCPM-Robot: โมเดลหุ่นยนต์ open-weight ตัวแรกของ OpenBMB — VLA ขนาด 1.5B ที่ชนะรุ่น 3B–5B บน RoboTwin2 และตัวติดตามเป้าหมาย 0.9B ที่รันบนหลังหุ่นสี่ขาได้จริง

วันที่ 19 กรกฎาคม 2026 ทีม OpenBMB — เจ้าของตระกูล MiniCPM ที่คนสาย local model รู้จักดีจากการอัดความสามารถระดับโมเดลใหญ่ลงในขนาดที่รันบนเครื่องตัวเองได้ — ประกาศเปิดตัว MiniCPM-Robot ซึ่งเป็นก้าวแรกของทีมเข้าสู่ embodied intelligence หรือ AI ที่ควบคุมร่างกายจริงในโลกจริง

รุ่นแรกมาสองตัว ทั้งคู่เป็น open weights ใต้ไลเซนส์ Apache 2.0: MiniCPM-RobotManip ขนาด 1.5B สำหรับการหยิบจับ และ MiniCPM-RobotTrack ขนาด 0.9B สำหรับการติดตามเป้าหมาย จุดที่ทำให้เรื่องนี้น่าสนใจกว่าข่าวโมเดลหุ่นยนต์ทั่วไป คือขนาดของมัน — และสิ่งที่ขนาดนั้นไปเทียบได้

1.5B ที่ยืนอยู่แถวเดียวกับ 5B

RobotManip เป็น vision-language-action (VLA) แบบ generalist หมายถึงใช้น้ำหนักชุดเดียวครอบคลุมทุกงานปลายทาง ไม่ต้องเทรนแยกต่อภารกิจแบบโมเดล specialist ตารางเบนช์มาร์กใน README ของ repo วางมันไว้เทียบกับคู่แข่งที่ใหญ่กว่าทั้งกระดาน:

โมเดล	Setting	ขนาด	LIBERO	Calvin (ABC→D)	RoboTwin2 easy	RoboTwin2 hard	RMBench
π₀	Specialist	3B	94.4	3.9	65.9	58.4	—
π₀.₅	Specialist	3B	96.9	4.1	82.7	76.8	10.4
Abot-M0	Specialist	4B+	98.6	—	86.1	85.1	—
StarVLA-α	Generalist	4B+	97.8	—	88.7	87.8	—
Qwen-VLA (ปิด weights)	Generalist	5B+	97.9	—	86.1	87.2	—
LingBot-VA	Specialist	5B+	98.5	—	92.9	91.6	—
MiniCPM-RobotManip	Generalist	1.5B	97.5	4.1	91.3	91.6	53.3

อ่านตารางนี้ให้ถูกต้องสำคัญมาก เพราะมันไม่ใช่การกวาดชนะทุกช่อง บน LIBERO ซึ่งอิ่มตัวไปแล้ว (ทุกตัวอยู่แถว 94–98) RobotManip ได้ 97.5 ต่ำกว่าหลายตัว — ช่องนั้นแทบไม่บอกอะไรอีกต่อไป

ช่องที่บอกอะไรคือ RoboTwin2 hard ที่ RobotManip ทำได้ 91.6 เท่ากับ LingBot-VA ที่ขนาด 5B+ และแซง Qwen-VLA (87.2) กับ StarVLA-α (87.8) ทั้งที่เล็กกว่าสามถึงสี่เท่า และช่องที่ห่างที่สุดคือ RMBench: 53.3 เทียบกับ 10.4 ของ π₀.₅ ซึ่งเป็นตัวเดียวในตารางที่มีตัวเลขช่องนี้ — ต่างกันห้าเท่า แต่ก็ควรระบุตรง ๆ ว่าเป็นการเทียบกับคู่เทียบเพียงตัวเดียว ไม่ใช่กับทั้งสนาม

ความจำหนึ่งนาที ที่ไม่ต้องจ่ายค่าคำนวณซ้ำ

รายละเอียดทางวิศวกรรมที่น่าสนใจที่สุดของ RobotManip คือ streaming context

ปัญหาคลาสสิกของหุ่นยนต์ที่ต้องจำสิ่งที่เพิ่งเห็นคือ ถ้าจะให้โมเดลมองย้อนประวัติภาพ 60 เฟรม วิธีตรงไปตรงมาคือคำนวณใหม่ทั้งชุดทุกครั้งที่ตัดสินใจ ซึ่ง README ระบุว่ากินถึง 125 TFLOPs ต่อหนึ่ง decision step — แพงเกินกว่าจะรันสดบนหุ่นจริง

RobotManip ใช้ streaming inference แทน ทำให้ต้นทุนเดียวกันเหลือ 3.3 TFLOPs ต่อ decision step หรือราว 1 ใน 38 ผลคือโมเดลรองรับ ความจำภาพย้อนหลังได้ถึงหนึ่งนาที ในขณะที่ต้นทุนตอนทำงานจริงยังใกล้เคียงกับการมองภาพเดียวแบบ reactive

เสริมด้วยการสืบทอด visual token compression จาก MiniCPM-V 4.6 ที่บีบแต่ละเฟรมจาก 256 เหลือ 64 visual tokens (4×) ตัวเลขความเร็วที่ได้คือ model-forward latency 120 ms ต่อ decision step บน H100 + BF16 อินพุตเฟรมเดียว เทียบกับ 234 ms ของ π0.5 — เร็วขึ้นเกือบเท่าตัว โดย README ระบุกำกับไว้ตรง ๆ ว่าตัวเลขนี้ ไม่รวม ขั้น autoregressive decoding ของงาน ซึ่งเป็นการเปิดเผยที่ตรงไปตรงมาและควรอ่านประกอบ

ฝั่งอินเทอร์เฟซก็เรียบง่ายกว่าที่คิด — สคริปต์ vla_infer.py รับภาพอย่างน้อยหนึ่งใบกับคำสั่งภาษาธรรมชาติ (state ของหุ่นใส่หรือไม่ใส่ก็ได้ ถ้าไม่ใส่จะเป็นศูนย์) แล้วคืน action chunk รูปร่าง (30, 80) ออกมา

0.9B ที่รันบนหลังหุ่นสี่ขา

ตัวที่สอง RobotTrack ขนาด 0.9B (ใช้ MiniCPM4-0.5B เป็น backbone) ทำงานคนละอย่าง: ติดตามเป้าหมายที่สั่งด้วยภาษาธรรมชาติ ครอบคลุมทั้งเป้าหมายที่อยู่นิ่ง เคลื่อนที่ และเป้าหมายที่พยายามหลบ (adversarial) มันหลอมฟีเจอร์ภาพจาก DINOv3 + SigLIP แล้วทำนาย waypoint ข้างหน้าแปดจุดในรูป [x, y, yaw]

ตัวเลขที่สำคัญที่สุดไม่ใช่คะแนนเบนช์มาร์ก แต่เป็นที่ที่มันรันได้: 5+ FPS หรือราว 180 ms end-to-end บนคอมพิวเตอร์บนตัว Unitree Go2 EDU โดยทำงาน local ล้วน ใช้กล้องอย่างเดียว ไม่ต้องต่อเน็ต README เคลมว่านี่คือ embodied target tracker ตัวแรกที่รันบนอุปกรณ์ได้เต็มตัว และเป็น open-source SOTA บน EVT-Bench

หมายเหตุด้านแหล่งข้อมูล: model card บน Hugging Face ของทั้งสองตัวแสดงตารางเบนช์มาร์กเป็นภาพ ไม่ใช่ข้อความ ตัวเลขที่อ่านได้จริงจึงมาจาก README บน GitHub เป็นหลัก และสื่อจีนบางสำนักรายงาน RMBench ที่ 53.5 ขณะที่ตารางต้นทางระบุ 53.3 — บทความนี้ยึดตัวเลขจากต้นทาง

ในวันเดียวกัน เฟรมเวิร์ก PhyAI ประกาศรองรับ MiniCPM-Robot แบบ Day-0 พร้อมระบุว่าดัน throughput บน NVIDIA H20 จาก 10 Hz เป็น 37 Hz ด้วย CUDA Graph และ Triton fused kernel ที่เขียนเอง

มุมมอง AI Curator

สิ่งที่ควรเก็บจากข่าวนี้ไม่ใช่ “มีโมเดลหุ่นยนต์ใหม่” — แต่คือเส้นราคาของการทดลองหุ่นยนต์เพิ่งขยับลงมาอีกขั้น

วงการ VLA ที่ผ่านมาเดินมาในรูปแบบที่คุ้นเคยจากยุคแรกของ LLM: ของดีที่สุดอยู่หลัง API หรือไม่ก็ใหญ่พอที่จะต้องมี GPU เซิร์ฟเวอร์คอยป้อน ซึ่งแปลว่าหุ่นยนต์ต้องต่อเน็ตไปหาสมองของตัวเองตลอดเวลา — ข้อจำกัดที่ฟังดูเล็กจนกระทั่งคุณนึกถึงหุ่นในโรงงานที่ Wi-Fi หลุด หรือหุ่นสำรวจที่ไม่มีสัญญาณตั้งแต่แรก ตัวเลข 0.9B ที่ 180 ms บนคอมพิวเตอร์ที่ติดมากับ Go2 เป็นการบอกว่าลูปนั้นปิดในตัวหุ่นได้แล้ว

สำหรับไทยและ SEA ประเด็นนี้ตรงกว่าข่าวโมเดลภาษาส่วนใหญ่ที่เราเขียนถึง เพราะภูมิภาคนี้มีฐานการผลิต โลจิสติกส์ และเกษตรที่หุ่นยนต์เข้าไปทำงานได้จริง แต่ตัวแปรที่ขวางมาตลอดคือต้นทุนต่อหน่วย — ถ้าหุ่นแต่ละตัวต้องพ่วง GPU ระดับ H100 หรือค่า API รายเดือน โครงการนำร่องก็จบตั้งแต่ในสไลด์ ในทางกลับกัน โมเดลระดับ 1.5B ใต้ Apache 2.0 ที่ fine-tune บนงานเฉพาะทางของโรงงานหนึ่งได้โดยไม่ต้องขออนุญาตใคร และไม่ต้องส่งภาพจากไลน์การผลิตออกนอกองค์กร คือของคนละแบบกับที่มีให้เล่นเมื่อปีที่แล้ว

ข้อควรระวังที่ต้องพูดให้ชัด: ตัวเลขเกือบทั้งหมดข้างบนมาจาก การจำลอง (LIBERO, Calvin, RoboTwin2 เป็นสภาพแวดล้อมจำลองทั้งหมด) และ ผู้พัฒนาเป็นคนรายงานเอง ช่องว่างระหว่างคะแนน sim กับความน่าเชื่อถือในโลกจริง — แสงที่เปลี่ยน วัตถุที่ไม่เคยเห็น พื้นที่ลื่น — เป็นช่องว่างที่วงการหุ่นยนต์ยังไม่มีใครปิดได้ RMBench 53.3 ที่ดูโดดในตารางก็ยังหมายความว่า เกือบครึ่งหนึ่งของงานยังทำไม่สำเร็จ อยู่ดี นี่คือจุดเริ่มต้นที่น่าสนใจ ไม่ใช่ปลายทาง

แต่ถ้าย้อนดูว่า MiniCPM ทำอะไรกับฝั่ง vision-language model มาก่อน — ไล่บีบความสามารถลงมาจนรันบนมือถือได้ — การที่ทีมเดียวกันหันมาจับ embodied AI ด้วยปรัชญาเดิมคือสัญญาณที่ควรจับตา ปีที่แล้วคำถามคือ “โมเดลนี้รันบนการ์ดที่บ้านได้ไหม” ปีนี้คำถามเริ่มกลายเป็น “โมเดลนี้รันบนตัวหุ่นได้ไหม” และคำตอบเพิ่งเปลี่ยนเป็นได้

แหล่งข่าว

• MiniCPM-Robot — GitHub (OpenBMB)
• MiniCPM-RobotManip — Hugging Face
• MiniCPM-RobotTrack — Hugging Face
• PhyAI — GitHub