OpenBMB、ロボット制御モデル MiniCPM-RobotManip を公開──1.5B パラメータで長文脈視覚記憶を実現
1.5B パラメータの視覚言語行動モデルでありながら、ストリーミング推論による最大60フレームの視覚記憶と120msの高速な意思決定ステップを実現した。
リリース: 2026-07-19 · 読了 3 分記事の要約
1. 核心（What）
- OpenBMB がロボット操作向け 1.5B 視覚言語行動モデル MiniCPM-RobotManip を HuggingFace に公開した
- 全タスクで単一の重みセットを使用する一般方策を採用し、代表的評価で π0.5 や Qwen-VLA を上回る性能を記録した
- MiniCPM-V 4.6 由来の視覚トークン圧縮により、1 フレームあたりのトークン数を 256 から 64 へ 4 倍に圧縮している
- Transformers 5.7.0 系をサポートし、Apache-2.0 ライセンスで提供される
2. 影響（Why）
- 推論コストの劇的な抑制: 計算量を 125 TFLOPs から 3.3 TFLOPs まで圧縮できるため、ロボット端末への組み込み時におけるハードウェアコストの許容基準が大きく下がる。
- 国内ロボティクス開発への実用性: FA・ロボティクス開発を行う国内ベンダーは、エッジ端末の限られたコンピューティング環境でマルチモーダルな文脈理解を伴う制御ループを構築しやすくなる。
3. 根拠・詳細（How）
- ストリーミング視覚記憶機構: 過去の観測結果をモデルコンテキストへ継続的に統合する設計により、最大 60 フレーム（最長 1 分間）の視覚メモリを維持しながらリアルタイム性を確保する。
- 視覚トークン圧縮と推論ベンチマーク: MiniCPM-V 4.6 の圧縮手法を適用し、H100 / BF16 環境における単一フレームのモデルフォワード処理時間を 120ms（タスク自己回帰デコードを除く）に抑制した。
4. 展望・課題（Next）
- 実機展開とエコシステム連携: LeRobot や starVLA などのオープンソース基盤との統合を進め、多様なロボット形態（embodiment_id）への対応拡充が予定されている。