今日必看
Qualcomm 把 GR00T-N1.5 放进 AI Hub 的设备矩阵
Qualcomm AI Hub Models 在 2026 年 7 月 9 日发布 v0.57.3，新增 NVIDIA GR00T-N1.5，并把它作为 ViT、LLM、VLM projector、DiT 四组件集合模型发布到 AI Hub；release 同时说明，GR00T-N1.5 已加入 Dragonwing IQ-9075 EVK 等设备的性能数据，路径覆盖 QNN Context Binary 与预编译 QNN ONNX。这个事实的证据阶段不是机器人真机闭环，也不是客户量产，而是“模型资产 + NPU 编译路径 + 设备性能数据”。主来源
这条动态的重要性不在“高通也支持一个机器人模型”，而在芯片平台开始把基础模型做成可筛选、可下载、可对照设备的资产。过去端侧 SoC 常用 TOPS、内存带宽、ISP 和视频规格来证明能力；但机器人和端侧 Agent 项目真正选型时，越来越会问一个更具体的问题：某个模型族能否在指定设备、指定 runtime、指定量化/编译路径下形成可复现实验。GR00T-N1.5 被放入 AI Hub，相当于把 VLA 模型从论文和开源仓库拉进了芯片平台的交付目录。
这对瑞芯微、星宸、全志、地平线、黑芝麻智能、爱芯元智和后摩智能这类端侧厂商也有直接压力。国产 SoC 的入口优势通常来自板卡成本、摄像头/视频链路、行业客户和本地支持，但机器人开发者会越来越希望看到同一模型在不同硬件上的横向证据。只提供转换工具或示例工程，已经不足以回答“这个平台能否承载下一代 VLA/本地 Agent”的问题。
一个可辩论判断是：未来 1 到 2 个季度，端侧 AI 芯片的竞争会被“模型资产密度”重定价，标称算力高但缺少模型目录、性能数据和可下载编译产物的平台，会在机器人开发者入口上吃亏。另一个反共识判断是，NVIDIA 模型进入 Qualcomm 设备矩阵不一定削弱 NVIDIA Jetson，反而会把竞争从单一硬件生态推向“谁能让同一机器人模型更快完成板端验证”。验证指标很明确：AI Hub 是否继续增加 GR00T、OpenVLA、pi0、SmolVLA 等模型；Jetson、Dragonwing、Intel、瑞芯微、地平线、爱芯元智等平台是否公布同一模型的延迟、内存峰值、功耗和真机任务成功率；第三方项目是否真的用这些资产完成机器人闭环，而不只是下载模型。
芯片 / 平台
Qualcomm AI Hub Models CLI：7 月 1 日 v0.57.0 新增
qai-hub-modelsCLI，可按模型、设备、芯片组、runtime、量化方式筛选，并查看perf、numerics或下载预编译资产；同版引入 GenieX，面向 Qualcomm 设备上的本地 LLM/VLM，覆盖 NPU、GPU、CPU。判断上，这让 SoC 选型更像查“可交付模型 SKU”，而不是看单点 benchmark。主来源NVIDIA Jetson T4000 / JetPack 7.1：NVIDIA 开发者论坛显示，Jetson T4000 已开放下单，JetPack 7.1 / Jetson Linux 38.4 为 Jetson Thor 系列加入 T4000 支持，并基于 Linux Kernel 6.8 与 Ubuntu 24.04 LTS，同时列出 Video Codec SDK、TensorRT EdgeLLM 等能力。它仍是机器人平台的高端参考系，但后续要观察的是 Thor/T4000 与 Dragonwing IQ-9075 在同一 VLA 负载下的真实延迟、功耗和内存边界。主来源
新项目雷达
Alp SDK：
alplabai/alp-sdk是 Apache-2.0 许可的 C/C++ SDK，目标是在 E1M 边缘 AI 模组上提供统一 API，README 列出 Alif Ensemble、Renesas RZ/V2N、NXP i.MX 93、DEEPX 等 NPU/SoC 组合；项目明确声明多数家族仍是 pre-HIL，仅 E1M-X V2N 和 E1M-AEN801 等部分路径有硅验证。判断上，这类项目反映低功耗 NPU 模组也在争“统一开发入口”，但现阶段不能当作量产成熟度证据。主来源UnionSparse：
Victor-Alen/UnionSparse是 Apache-2.0 许可的低比特稀疏 LLM 推理框架，README 披露其在 Jetson AGX Orin 64GB、MAX-N、JetPack 6.1、CUDA 12.6 条件下评测 W4A4，并给出相对 Flash-LLM、SpInfer、CUTLASS、cuBLAS Tensor Core 的平均 kernel-level speedup。它的价值在于把小 batch 自回归推理的元数据开销问题拉回边缘 GPU，但目前证据主要是 Orin 实验与代码，不能外推到 Jetson Thor 或其他 NPU。主来源
持续观察
端侧厂商共同指标：接下来不应只看谁先宣布“支持某模型”，而要看是否给出可复现的模型包、设备清单、runtime 版本、量化格式、上下文长度、视频输入条件、功耗与失败边界。Qualcomm 的 AI Hub、NVIDIA 的 JetPack/EdgeLLM、瑞芯微 RKNN-LLM、爱芯元智 Pulsar2、地平线 BPU 与黑芝麻智能机器人平台，都会被放到同一张交付证据表里比较。参考来源
验证信号：若未来 60 天出现第三方用 AI Hub 的 GR00T-N1.5 资产在 Dragonwing IQ-9075 EVK 上跑出机器人任务闭环，并披露延迟、内存、功耗和成功率，那么“模型资产密度会重定价 SoC”的判断增强；若这些资产只停留在模型目录和静态性能表，真实机器人项目仍集中在 Jetson 或 x86+GPU，则说明芯片平台的模型目录还没有转化成工程迁移能力。参考来源
反例条件：如果后续采购和开发者讨论仍主要围绕单板价格、摄像头接口、传统 CV 模型和渠道交付，而不是围绕 VLA/LLM/VLM 资产复现，那么今天的判断就要降级；这意味着模型目录只是营销层，芯片平台的实际壁垒仍在行业集成和长期供货。参考来源
评论