MiniCPM-RobotManip 是面向具身操作的 1.5B 视觉-语言-动作模型，定位为可在机器人端使用的通用策略。它使用一套权重覆盖下游任务，并称在代表性评估中优于 π₀.₅、Qwen-VLA 等更大模型。

模型支持流式上下文推理，将历史观测持续纳入上下文，在保留 60 帧历史、支持最长一分钟视觉记忆的同时，将每步计算量从 125 TFLOPs 降至 3.3 TFLOPs。它继承 MiniCPM-V 4.6 的视觉 token 压缩，每帧由 256 个视觉 token 压缩到 64 个；在 H100、BF16、单帧输入下，单步 model-forward 延迟为 120 ms。

示例代码要求 transformers==5.7.0，通过 AutoProcessor 和 AutoModel 加载，输入图像、文本指令以及可选的 80 维状态和 embodiment_id，输出形状为 30×80 的 action chunk。模型权重和代码采用 Apache-2.0 许可。