---
url: /lm/minicpm5/introduction.md
description: >-
  MiniCPM5-2B 是面壁智能联合 OpenBMB 于 2026 年 9 月 8 日开源的高密度端侧语言基座模型，Apache 2.0 协议，原生
  128K 上下文，在 Artificial Analysis Intelligence Index 上以 23 分登顶全球 4B
  以下开源模型第一、Agentic Index 拿下 20 分（同级普遍仅 2 分），并同步开源训练配方、Meshy 强化学习框架与 UltraData
  数据集，让手机、车机、PC 本地跑通用 Agent 成为可能。
---

# 认识 MiniCPM5-2B：20 亿参数跑出 Agent 能力，端侧模型第一次敢说自己"能干活"了

说个让我挺不舒服的对比。

我手机里装着一个 AI 助手，问它"帮我查一下这周末去杭州的高铁，再看看西湖边上评分 4.5 以上的酒店，最后给我排个行程"——它卡了三秒，然后回我一句"我暂时无法访问实时信息"。

这三秒里发生了什么？我的请求飞到了几千公里外的机房，一个几百 B 参数的模型替我想了想，然后告诉我它干不了。

**花了钱、等了延迟、交了数据，最后得到一句"我干不了"。** 这事挺荒诞的。

而就在 2026 年 9 月 8 日，面壁智能联合 OpenBMB 开源社区把 MiniCPM5-2B 扔了出来。它的核心主张很简单粗暴：**上面那件事，20 亿参数的模型在你自己手机上也能干，而且不用联网。**

一组让我反复看了两遍的数据：在 Artificial Analysis 的 Agentic Index（专门测 Agent 能力的指标）上，MiniCPM5-2B 拿了 **20 分**；而同级别的 2B-4B 模型，普遍只有 **2 分**左右。

十倍。不是 10%，是 10 倍。

> 更扎心的是横向对比：这个 2B 模型在综合智能上拿了 23 分，超过了 Qwen3.5 9B（22 分）和参数是它 6 倍的 Gemma 4 12B（22 分）。
> 以 1000 分为人类基线的真实任务评测里，它拿 891 分，而 Qwen3.5 9B 是 645、Gemma 4 12B 是 647。
> 翻译一下：**你多出来的那 40 亿参数，可能只是在交电费。**

## 什么是 MiniCPM5-2B

**MiniCPM5-2B 是面壁智能联合开源社区 OpenBMB 于 2026 年 9 月 8 日开源的高密度端侧语言基座模型，2B 参数级别，Apache 2.0 协议，原生支持 131,072 tokens（128K）上下文，主打在手机、PC、车机、机器人等算力受限设备上本地运行通用 Agent 能力。**

代码在 [github.com/OpenBMB/MiniCPM](https://github.com/OpenBMB/MiniCPM)，权重在 [Hugging Face](https://huggingface.co/openbmb/MiniCPM5-2B) 和[魔搭 ModelScope](https://www.modelscope.cn/models/OpenBMB/MiniCPM5-2B) 都有。

先把几个容易搞混的点讲清楚：

**第一，它是"密度模型"，不是"小模型"。** 名字里的 2B 是尺寸级别，实际参数量约 25.17 亿（非 Embedding 参数约 19.82 亿）。面壁从 2023 年就一直在推一个叫\*\*「密度定律」\*\*的东西——模型能力的提升速度，快过参数量的增长和成本的下降速度。翻译成人话：**每一份参数里塞进多少智能，才是端侧的真瓶颈。** 因为手机上的显存和算力是死的，参数总量有天花板，那唯一的出路就是把每个参数的潜力榨干。

**第二，它是标准架构，不是魔改。** 官方模型卡白纸黑字写着 `LlamaForCausalLM`，42 层，GQA 分组查询注意力（16 个 Q 头、2 个 KV 头）。这意味着**你不需要任何自定义算子、不需要 fork 模型代码**，Transformers / vLLM / SGLang / llama.cpp / Ollama 开箱即用。这一点在工程上极其重要——多少"惊艳"的开源模型死在了"需要打补丁才能跑"上。

**第三，它主打的不是"聊天"，是"干活"。** 官方给的能力清单是：工具调用、深度搜索、代码生成、Office 文档处理、数据库交互。也就是说**它的设计目标从一开始就不是陪你唠嗑，而是当 Agent 的大脑**。

**第四，这次开源的不是只有权重。** 这点我认为比模型本身更重要：训练 Recipe（配方）、强化学习框架 **Meshy**、RL 策略 **JustRL II**、以及四个数据集（UltraData-Code、UltraData-SFT-Agent-2609、UltraData-RL-2609、UltraX）**全部开放**。截至 2026 年 9 月，UltraData 系列数据集累计下载量已超 266 万次。

## 它有什么特点

* **4B 以下综合第一，34 项基准平均 53.9 分。** 官方模型卡列出的 34 项基准覆盖代码推理、数学推理、指令遵循、综合知识、长文本、工具调用、智能体任务，MiniCPM5-2B 平均 53.9 分排名第一——不仅领先同级 2B 的第二名（33.2 分），也超过 4B 里表现最好的 Qwen3.5-4B（51.1 分）。
* **Agentic Index 20 分，断层式领先。** 同级的 LFM2.5-2.6B、Granite 4.2 3B、Mistral 3 3B 都在这个指标上非常吃力。这是"端侧通用 Agent"第一次有了像样的数字支撑。
* **Token 效率高得离谱。** 完成同样的 Intelligence Index 任务，MiniCPM5-2B 平均只消耗 **21k 输出 token**（14k 思考 + 7k 回答），处于全场最低一档。得分相近的 Qwen3.5 9B 需要 34k，Granite 4.2 8B 需要 26k。**用差不多一半的"口水"，换来了更高的分数。** 对端侧来说这不只是省钱——token 少意味着延迟低、发热少、电池耐用。
* **原生 128K 上下文。** 131,072 tokens。手机上能塞进一整份长文档来做分析，不用切片、不用外挂向量库，这件事的体验差别很大。
* **Think / No-think 双模式。** 官方推荐采样参数：思考模式 `temperature=1.0, top_p=0.95`。聊天闲扯和深度推理可以走不同的路子，不用为了省 token 牺牲复杂任务的表现。
* **量化与端侧格式齐全。** 官方提供 BF16 标准版（Transformers / vLLM / SGLang）、GGUF 版（llama.cpp / Ollama / LM Studio / Jan）、MLX 4bit 版（Apple Silicon）、GPTQ 4bit 版，以及 LiteRT-LM 版。**Mac 用户直接有 4bit 现成包，不用自己量化。**
* **芯片 Day0 适配，不是"以后会支持"。** 英特尔（酷睿 Ultra 系列 CPU+GPU+NPU 全异构 + OpenVINO 全链路优化）、瑞芯微（RK3588 + RK1828 双芯 + RKNN3，靠高带宽压低首 token 时延）、Arm（Armv9 SME2 技术，实测 prefill 约 **1.7 倍**、decode 约 **1.2 倍**提速）三家首日原生适配。另外 FlagOS 一口气覆盖了英伟达、海光、沐曦、天数智芯、昆仑芯、昇腾、ARM-v9 等 9 种芯片。

> 我一直觉得"端侧模型"这个词被用坏了。很多所谓的端侧模型，本质上是个被砍到只剩聊天能力的云端模型，跑在本地只是因为"能跑起来"。
> MiniCPM5-2B 不一样的地方在于：**它把 Agent 能力当一级公民来训练，而不是当成云端模型掉线后的降级方案。**
> 这是两条完全不同的技术路线。

## 用在哪儿

**手机上的本地 Agent。** 这是最直接的场景。MiniCPM 系列已经进入三星旗舰机，截至 2026 年 8 月全系列全球下载量突破 **5000 万次**，其中语言基座下载超 1300 万次。你的日程整理、消息摘要、本地文件检索，全程不出设备。

**智能座舱。** 长安、吉利等车企的座舱已经在用。这个场景的需求非常刚性——**车机经常没信号，而且你不可能接受" tunnel 里语音助手罢工"**。本地推理带来的低时延（首 token 延迟是语音交互体验的生死线）和无网可用性，是云端方案补不上的。

**具身机器人。** 机器人不可能背一根网线上街，也不能每次抓取前先问云端。2B 模型的功耗和体积让"本地决策闭环"变得现实。

**PC / AI PC 上的个人助理。** 英特尔平台上已经跑通了深思考推理、工具调用、深度搜索、代码生成**全套端侧 Agent 能力**，且显著压低了运行内存占用和长上下文推理时延。开发者在 AI PC 上可以做到开箱即用。

**成本敏感的高频调用。** 这条其实最容易被忽略：如果你的业务每天要跑几百万次"格式化工单""抽取字段""分类工单"这类活，用 2B 模型本地跑，和调用云端 API 的成本差可能是两个数量级，而且**数据不用出内网**——这对金融、医疗、政务是硬需求。

## 初体验

三种玩法，从省事到折腾排个序。

**最省事：Ollama / LM Studio（GGUF）**

```bash
# 从魔搭拉 GGUF 版
pip install -U modelscope
modelscope download --model OpenBMB/MiniCPM5-2B-gguf

# Apple Silicon 用 MLX 4bit 版
modelscope download --model OpenBMB/MiniCPM5-2B-MLX
```

拿 llama.cpp 或 Ollama 起服务之后，就是标准 OpenAI 兼容接口，不用改一行业务代码。

**算力够：vLLM 起服务**

```bash
pip install "vllm>=0.21"
vllm serve openbmb/MiniCPM5-2B --port 8000
```

调一下试试：

```bash
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openbmb/MiniCPM5-2B",
    "messages": [{"role": "user", "content": "帮我看看这份报表里环比下降最多的三个指标"}],
    "max_tokens": 512,
    "temperature": 1.0
  }'
```

**要玩工具调用：SGLang（官方推荐）**

```bash
pip install "sglang[srt]>=0.5.16"
python -m sglang.launch_server \
  --model-path openbmb/MiniCPM5-2B \
  --port 30000 \
  --tool-call-parser minicpm5
```

注意那个 `--tool-call-parser minicpm5`（或者写 `auto`）。**这行是 MiniCPM5-2B 的灵魂开关**——模型输出的是 XML 风格的工具调用，靠这个 parser 转成 OpenAI 的 function calling 格式。想真的让它"干活"，别漏。

想再压一层延迟，可以开 DSpark 投机解码：

```bash
python -m sglang.launch_server \
  --model-path openbmb/MiniCPM5-2B \
  --trust-remote-code \
  --speculative-algorithm DSPARK \
  --speculative-draft-model-path openbmb/MiniCPM5-2B-DSpark \
  --speculative-dspark-block-size 7 \
  --port 30000
```

**本地 Python 推理：**

```bash
pip install -U "transformers>=5.6" accelerate torch
```

```python
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "openbmb/MiniCPM5-2B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, torch_dtype="auto", device_map="auto",
)

messages = [{"role": "user", "content": "请简要介绍一下你自己。"}]
inputs = tokenizer.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=True,
    enable_thinking=True, return_dict=True, return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=128)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))
```

要微调的话，LlamaFactory、ms-swift、TRL、Unsloth、XTuner 都已经支持。

**两个避坑提醒**：一是**显存别按"2B"估**，实际参数约 25 亿，消费级 8GB 卡跑 BF16 要留足余量，紧张就上 GGUF 或 GPTQ 4bit；二是**工具调用一定走 SGLang 并带上 parser 参数**，用 vLLM 默认配置跑会以为模型不会调工具，白白浪费它最强的那部分能力。

## 进阶

我想把话说得直白一点：**这次开源最值钱的不是那 25 亿个权重，是那套"怎么把 Agent 能力训进小模型"的方法论。**

权重会过时，榜单会被刷新。但 Meshy 框架（干掉了 RL 训练的中央控制器和 Ray 依赖，把训练、推理、奖励计算全建模成对等服务，用 TransferQueue 的数据就绪状态驱动控制流，同步/异步/全异步三种模式自由切换）和 JustRL II（给 GRPO 装上 Critic 做 token 级信用分配，专门治长思维链训练时"分数越训越低"的老毛病），是可以直接拿去用的生产力工具。

数据侧也一样。UltraData-Code 从约 **1.92 亿个**公开 GitHub 仓库采集、清洗、去重、结构化合成，产出 400B 词元的 L2 算法精筛数据和 150B 词元的 L3 任务导向合成数据——**这种体量的高质量代码数据，自己从头做一遍基本不现实。**

我的个人判断：**2026 年下半年真正的分水岭，不是谁家模型分数高，而是 Agent 到底跑在云上还是跑在你手里。** 云端 Agent 的成本、延迟和数据合规三座大山，靠堆参数翻不过去；端侧这条路一旦被验证可行，整个 AI 应用的成本结构会被重写。MiniCPM5-2B 的 20 分 Agentic Index，是这条路的第一块路标。

当然要泼点冷水：891 分相对 1000 分的人类基线，意味着它离"可靠"还有距离；Terminal-Bench v2.1 只有 8.6 分、SWE-bench Pro 14.4 分，说明**复杂长程编码任务仍是端侧模型的禁区**；而且它现在也只是"能力雏形"，离真正量产落地还隔着工程优化的坑。**别拿它去替代云端干重活，它的战场是那些高频、轻量、要隐私的场景。**

一个务实的起步建议：挑一个你业务里最高频、最不重要的那类任务（比如工单分类、字段抽取、日志摘要），先用 vLLM 起个服务压 1000 条真实数据，看准确率和延迟能不能接受。**跑通了这个再谈替换云端，比盯着榜单纠结值不值当有用得多。**

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。