面壁智能发布 MiniCPM-o 2.6 全模态模型，号称“端侧 GPT-4o”

面壁智能发布MiniCPM-o 2.6全模态模型，号称“端侧GPT-4o”

AI模型轻量化竞争，又迎来一个标志性节点。面壁智能近日正式推出了旗下“小钢炮”系列的新成员——MiniCPM-o 2.6端侧全模态模型。别看这款模型的总参数量控制在8B级别，但其官方公布的性能对标目标却相当大胆：直接叫板GPT-4o与Claude-3.5-Sonnet这类顶级商用模型。

端到端全模态架构，性能对标顶级闭源模型

这款模型的核心看点，在于其采用的端到端多模态架构。简单来说，它能在一个统一的框架内，同时消化和理解文本、图像、音频乃至视频等多种格式的数据输入，并生成高质量的文本或语音回应。这种设计思路，正是当前多模态大模型演进的主流方向。

官方给出的评测结果颇为亮眼：在视觉理解、语音交互及多模态流式响应能力上，MiniCPM-o 2.6声称已经达到了GPT-4o-202405版本的水平。这意味着，在开源社区里，它很可能成为了当前模态支持最全面、综合性能最突出的选项之一。

不只是对话：情感控制与声音克隆成为亮点

除了基础的多模态理解与生成，MiniCPM-o 2.6在交互体验上也做了不少文章。它支持中英双语语音对话，并且用户可以配置不同的声音特性。更进阶的功能还包括对生成语音的情感、语速和风格进行细致调控，甚至能够实现端到端的声音克隆和深度的角色扮演。这些能力让它在人机交互的拟真度和趣味性上迈出了一大步。

打破设备限制：iPad上的实时多模态交互

另一个值得关注的突破是设备兼容性。官方强调，MiniCPM-o 2.6是首个能够在iPad这类移动端侧设备上，实现多模态实时流式交互的大模型。这背后的优化功不可没，它让高性能的多模态AI体验不再局限于云端或高性能工作站，真正向随身设备普及。

性能数据提供了有力支撑。在OpenCompass榜单上，该模型综合八个主流多模态评测基准，取得了平均70.2的得分。尤其引人注目的是，在单张图像理解这一关键任务上，它以8B的“小巧身材”，超越了GPT-4o-202405、Gemini 1.5 Pro和Claude 3.5 Sonnet等一众参数规模大得多的闭源商业模型。

开源可获取

目前，模型及相关资源已面向社区开源：

• GitHub：https://github.com/OpenBMB/MiniCPM-o
• huggingface：https://huggingface.co/openbmb/MiniCPM-o-2_6

此举无疑为开发者和研究者提供了一个强有力的端侧多模态基础模型选择，也进一步推动了高性能AI在本地设备上的部署与应用实践。