面壁智能发布 MiniCPM-V 4.5：8B 参数模型实现多模态能力新突破

面壁智能正式推出其最新视觉语言模型 MiniCPM-V 4.5，这是 MiniCPM-V 系列中性能最强、功能最全面的版本。该模型在保持 80 亿参数规模的前提下，实现了在视觉理解、视频处理、文档解析和多语言支持等方面的显著提升，成为当前开源社区中极具竞争力的端侧多模态解决方案。

• GitHub：https://github.com/OpenBMB/MiniCPM-o/blob/main/README_zh.md
• 模型：https://huggingface.co/collections/openbmb/minicpm-o-and-minicpm-v-65d48fa84e358ce02a92d004

更强性能：以小搏大，超越主流大模型

MiniCPM-V 4.5 基于 Qwen3-8B 和 SigLIP2-400M 架构构建，在 OpenCompass 综合评测中取得了 77.2 的平均分（基于 8 个主流基准），在视觉-语言任务上的表现不仅超越了 GPT-4o-latest、Gemini-2.0 Pro 等闭源模型，也优于 Qwen2.5-VL 72B 这类超大规模开源模型。

这一成绩使其成为 300 亿参数以下最强大的开源多模态模型之一，为资源受限环境下的高性能部署提供了新的可能性。

视频理解升级：高帧率与长视频支持更高效

传统多模态模型在处理视频时面临计算开销大、帧率低的问题。MiniCPM-V 4.5 引入了全新的 统一 3D-Resampler 模块，实现了对图像与视频的统一处理。

关键改进包括：

• 视频 token 压缩率最高可达 96 倍
• 6 个 448×448 的视频帧仅需生成 64 个视觉 token（常规模型需约 1,536 个）
• 支持高达 10FPS 的高刷新率视频理解
• 显著提升长视频建模能力

在 Video-MME、LVBench、MLVU、MotionBench 和 FavorBench 等多个视频理解基准上，MiniCPM-V 4.5 均达到当前开源模型中的领先水平，且推理成本更低。

智能思考模式：快与深的自由切换

为适应不同使用场景，MiniCPM-V 4.5 支持两种推理模式：

• 快速思考模式：适用于高频、轻量级任务，响应迅速，性能稳定；
• 深度思考模式：针对复杂推理、细节分析等任务，提供更强的理解与生成能力。

两种模式可在应用层面灵活切换，帮助开发者在效率与精度之间实现精准平衡。

文档与 OCR 能力全面增强

MiniCPM-V 4.5 继承并优化了 LLaVA-UHD 架构，具备以下优势：

• 支持任意宽高比的高分辨率图像输入，最高可达 1344×1344（约 180 万像素）
• 所需视觉 token 数量仅为同类模型的 1/4
• 在 OCRBench 上表现优于 GPT-4o-latest 与 Gemini 2.5，尤其在手写体识别方面表现突出
• 在 OmniDocBench 上实现当前开源模型中最优的 PDF 文档结构解析能力

此外，模型通过 RLAIF-V 与 VisCPM 技术训练，具备更高的输出可信度，在 MMHal-Bench 上同样超越 GPT-4o-latest。

多语言支持与端侧部署友好

MiniCPM-V 4.5 支持 超过 30 种语言，覆盖中文、英文及多种主流语种，适合国际化应用场景。

更重要的是，它延续了 MiniCPM 系列一贯的“端侧友好”设计原则：

• 可在手机、平板、笔记本等本地设备运行
• 提供 int4、GGUF、AWQ 等多种量化格式（共 16 种模型大小）
• 支持 llama.cpp、Ollama 实现 CPU 高效推理
• 兼容 SGLang、vLLM 实现服务端高吞吐部署
• 支持 Transformers 与 LLaMA-Factory 微调，便于领域定制

开箱即用：多种使用方式任选

为降低使用门槛，MiniCPM-V 4.5 提供了丰富的接入方式：

1. 本地运行：通过 llama.cpp 或 Ollama 在 PC/Mac 上直接部署
2. 移动端体验：专为 iPhone/iPad 优化的本地应用，保障隐私与响应速度
3. 服务端部署：支持 vLLM/SGLang 高并发推理
4. 模型微调：兼容主流框架，支持领域适配训练
5. 快速体验：提供本地 WebUI 演示与在线 Web 版本
6. 完整文档：配套 Cookbook 提供详细使用指南