MiniCPM-RobotTrack 是一个面向具身目标跟踪的紧凑型 vision-language-action 策略模型，基于 MiniCPM4-0.5B 构建。它使用自然语言指令指定跟踪目标，结合融合后的 DINOv3 与 SigLIP 视觉特征，直接预测未来 8 个 [x, y, yaw] 路点，用于具身人物跟随。模型展示的应用场景包括室外避障跟踪、电梯跟踪和地下停车场跟踪。

其数据构建强调质量驱动的自演进流程：通过自动检查和人工审核移除异常轨迹、错误动作和无效交互，并以 DAgger 风格的模型-环境交互持续加入目标交叉、快速转弯、短时遮挡和多人交汇等困难样本。推理侧对视觉采集、输入编码、模型推理、动作生成、命令传输与执行进行联合优化，在 Unitree Go2 原生板载算力上可实现稳定 5+ FPS，端到端延迟约 180 ms。

使用示例基于 transformers 的 AutoTokenizer 和 AutoModel 加载 openbmb/MiniCPM-RobotTrack，并要求 transformers>=4.56；输入为文本指令、粗粒度历史视觉 token、当前帧细粒度视觉 token 及其时间索引，输出轨迹张量形状为 [1, 8, 3]。模型权重和代码以 Apache-2.0 许可证开源。