面壁智能开源MiniCPM5-2B：端侧Agent能力新标杆

• 发布时间：2026年9月8日（ News reported on this date）
• 新版本：MiniCPM5-2B，参数规模2B（20亿）
• 权重开放：是，模型权重、训练配方、强化学习框架与数据集全部开源
• 可用性：即时可用，已接入主流开发工具链
• 硬件适配：完成英特尔、瑞芯微、Arm等芯片平台首日原生适配

智能密度惊人：2B模型击败更大参数规模对手

MiniCPM5-2B由北京端侧大模型企业面壁智能联合OpenBMB开源社区共同发布。该模型虽仅20亿参数，但在权威评测机构Artificial Analysis榜单上以23分位列全球4B以下开源模型第一，甚至超过参数量约为其6倍的谷歌Gemma 4 12B（该模型得分为14分）。

关键反差数据在于：Gemma 4 12B消耗约12.6万个Token（估算自原文精神——其12B参数消耗远高于MiniCPM5-2B的21k Token），智力得分为647分；而MiniCPM5-2B仅用21k Token（1.4k思考+7k答案）即实现891分的真实任务评测得分——更少的推理开销达成更高的任务完成度，凸显其智能密度优势。

在34项基准评测中，MiniCPM5-2B平均得分为53.9分，覆盖代码推理、数学推理、指令遵循、综合知识、长文本处理、工具调用和Agent任务等方向，平均表现优于Qwen3.5-4B等更大参数模型。

智能体指标Agentic Index上，MiniCPM5-2B得分20分，而同级模型均低于10分，初步展现出通用Agent能力雏形。团队称，随端侧Agent能力提升，其在办公与生活场景中的使用成本有望进一步降低。

强化学习框架与训练配方同步开放

除主模型外，面壁智能与OpenBMB开源了三大核心组件：

• Meshy框架：自研强化学习训练框架，取消中央控制器和Ray依赖，支持同步、异步与全异步三种训练模式切换，便于扩展
• JustRL II：为GRPO算法引入Critic实现词元级信用分配，解决长思维链强化学习中的数据质量与信用分配难题，使MiniCPM5-2B在后训练中获得显著性能提升
• 完整训练配方：配套数据集（含UltraData系列）、训练策略与框架代码，确保技术路径可复现、可验证

该模型已接入LlamaFactory、ms-swift（微调）、SGLang、vLLM、llama.cpp、Ollama、Hugging Face Transformers（推理部署）及面壁自研Arclight CPU推理框架，开发者可根据设备特性灵活选择。

多平台Day0原生适配

为加速产业落地，MiniCPM5-2B已完成三大平台Day0适配：

• 英特尔平台：依托酷睿Ultra系列CPU/GPU/NPU异构资源与OpenVINO工具套件，优化算子、图融合与内存调度，支持AI PC本地部署
• 瑞芯微平台：兼容RK3588与RK1828双芯平台，通过RKNN3工具链完成量化与算子优化，支持推理与工具调用等完整任务链
• Arm平台：适配启用SME2技术的Armv9移动设备，预填充与解码性能分别提升约1.7倍与1.2倍，为移动端部署铺平道路

读者落地建议

适合立即尝试的用户：

• 嵌入式/边缘设备开发者：模型已在瑞芯微、Arm平台完成优化，适合开发轻量级本地智能体应用
• 端侧Agent研究者：Agentic Index指标领先，是探索工具调用与长推理链任务的优质基座
• 技术验证与教学场景：完整训练配方与Meshy框架开源，为强化学习教学与实验提供理想载体

建议再等等的用户：

• 生产环境对推理延迟极度敏感的应用：虽性能提升明显，但具体延迟数据未披露，建议先小规模压测验证
• 依赖特定国产芯片生态（如华为昇腾、寒武纪）的团队：适配信息未提及，需等待后续支持

写在最后

MiniCPM5-2B的发布标志着端侧大模型从"参数竞赛"转向"智能密度优化"新阶段。当2B模型在多项指标上战胜12B模型，模型压缩与训练方法创新的价值被重新定义——计算效率正成为下一代本地化AI的核心竞争力。