MiniCPM5

前言 在大型語言模型（LLM）的戰場上，我們已經聽夠了「千億參數」、「萬卡叢集」這類宏大敘事。然而，2026 年 5 月由 OpenBMB（面壁智能／清華大學聯合團隊）發布的 MiniCPM5-1B，卻反其道而行——僅用 10.8 億參數，就打出了一個令人意外的成績單：在 Artificial Analysis Intelligence Index 上以 17.9 分擊敗了擁有雙倍參數的 Qwen3.5-2B（16.3 分），成為 2B 以下開源模型中的性能王者。 這篇文章將從技術架構、基準表現、社群反饋與實際應用場景四個面向，客觀分析 MiniCPM5-1B 到底值不值得你關注。 - 廣告 - 基本規格：小而美的設計哲學 MiniCPM5-1B 的核心規格可以用「精簡」兩個字概括： 項目 規格 參數量 1.08B（非嵌入參數約 680M） 架構 標準 LlamaForCausalLM Transformer（dense，非 MoE） 上下文窗口 131K tokens（約 192 頁 A4 文字） INT4 量化後大小 約 0.5 GB FP16 原始大小 約 2.2 GB 授權 Apache 2.0 多模態 純文本（無視覺能力） 值得注意的是，MiniCPM5-1B 採用的是標準 dense Transformer 架構而非 MoE（混合專家），這意味著它的推理路徑更直接、延遲更可預測。在資源受限的設備上，這種設計反而比 MoE 模型更具實用價值——因為 MoE 雖然理論上更高效，但在端側部署時需要額外的路由開銷。 ...