MiniCPM5-2Bは、OpenBMBとModelBestが公開した、端末上や限られた計算資源での利用を想定するコンパクトな密モデル（dense LLM）です。単に「小さい汎用チャットモデル」を目指すというより、コーディング、ツール呼び出し、エージェント型ワークフローをローカルで動かすための選択肢として位置付けられています。OpenBMBの変更履歴では、公開日は2026年9月7日。7月19日のWAIC（世界人工知能大会）での発表後に公開されました。123

基本仕様：小型でも長い入力を扱う設計

OpenBMBは本モデルを、オンデバイスおよびリソース制約下での利用を想定した「2B級」のdenseモデルと説明しています。公開資料では総パラメータ数は25.2億、MiniCPM5コレクション上のコンテキスト長は131Kトークンとされています。611

ライセンスはApache-2.0です。ライセンス条件を守る前提で、商用製品への組み込み、改変、再配布を検討しやすい点は、プロダクト開発チームにとって重要です。3

リリースに付随する設定情報では、LlamaForCausalLM互換の構成、42層のデコーダー、grouped-query attention（クエリヘッド16、key/valueヘッド2）、埋め込みを除いて約19.8億パラメータとされています。ただし、本番導入時には、採用するチェックポイントのconfig.jsonで各値を確認するのが安全です。提供された資料の抜粋だけでは、全設定項目を完全には検証できません。

ベンチマーク平均「53.9」はどう見るべきか

OpenBMBは、34タスクをまとめた比較でMiniCPM5-2Bが平均53.9だったと報告しています。同じ表ではQwen3.5-4Bが51.1、granite-4.2-3Bが42.7、LFM2.5-2.6Bが33.2です。さらに同社は、この比較に含まれるより大きなモデルも上回ったとしています。7

小型モデルとして注目すべき数値ですが、これは万能の総合ランキングではありません。53.9は、タスクの選び方、プロンプト、評価基盤、個別結果の集計方法に左右されるベンダー公表の集計値です。そのため、OpenBMBの比較表と同じ条件での相対比較には使えても、「すべての4B以上のオープンモデルより常に優秀」という証明にはなりません。79

公開情報から読み取れる適性は、次の通りです。

• 強みとして挙げられているのは、コード推論、数学推論、長文コンテキスト、ツール利用、複数のエージェントタスクです。7
• 第三者による要約でも、ツール利用、コーディングエージェント、NoLiMa型の長コンテキスト検索で特に強いプロファイルとされています。6
• 一方で同要約では、MMLU-Pro、GPQA-Diamond、MATH-500では大型モデルに後れを取るとされます。アプリの中心が広範な一般知識や難度の高い学術問題であるなら、平均値だけで選定しない方がよいでしょう。6

OpenBMBはArtificial Analysis Intelligence Indexで「4B未満のオープンソースモデル中1位」、スコア23だったとも発信しています。ただしこれは、特定時点・特定リーダーボードにおける同社の主張であり、恒久的かつ全般的な評価を表すものではありません。15

ローカル実行向けのチェックポイントと形式

公開ウェイトは単一の最終モデルだけではありません。BaseおよびSFTのバリエーションに加え、BF16ウェイト、GGUF、MLX、GPTQの量子化版が提供されています。3 FlagOS向けのリリースもあり、ARM W8A8版を含むことから、ARMやエッジ環境での選択肢も広がります。12

サービングについては、公式Hugging Faceのディスカッションで、openbmb/MiniCPM5-2Bを指定したSGLangの起動例が示されています。8 ノートPCなどでの実運用では、ハードウェアと実行ランタイムに合う量子化フォーマットを選ぶことが現実的です。

スマートフォンやノートPCで本当に使える？

25.2億パラメータのdenseモデルは、数百億パラメータ級モデルと比べれば、特に量子化版でローカル実行を狙いやすい規模です。クラウドへ入力データを送らない設計、インフラコストの抑制、応答遅延の短縮を優先するアプリには魅力があります。

ただし、131Kトークンのコンテキスト長をサポートすることと、すべての端末で131Kトークンの会話を快適に実行できることは別です。入力が長くなるほどKVキャッシュのメモリ消費も増えるためです。11 スマートフォンや控えめな構成のノートPCでは、短〜中程度のプロンプトを前提に考えるのが現実的です。

向いている用途

MiniCPM5-2Bは、次のようなケースで有力な候補になります。

• ローカルまたはエッジ環境でのコーディング支援
• ツール呼び出しを伴うAIエージェントのパイプライン
• 量子化モデルをアプリに同梱・配布したい製品
• 最大級の汎用性能より、コスト、応答速度、プライバシーを重視する用途

反対に、幅広い一般知識で常に高い精度が必要な用途や、コーディング・ツール利用以外の難関ベンチマークを重視する用途では、より大きなモデルを比較対象に入れるべきです。MiniCPM5-2Bの説得力は「どの領域でも勝つ」ことではなく、小型、オープンな配布形態、柔軟なライセンス、そしてツール利用を伴うオンデバイス処理で報告されている性能の組み合わせにあります。67

MiniCPM5-2Bは、OpenBMBとModelBestが公開した、端末上や限られた計算資源での利用を想定するコンパクトな密モデル（dense LLM）です。単に「小さい汎用チャットモデル」を目指すというより、コーディング、ツール呼び出し、エージェント型ワークフローをローカルで動かすための選択肢として位置付けられています。OpenBMBの変更履歴では、公開日は2026年9月7日。7月19日のWAIC（世界人工知能大会）での発表後に公開されました。123

基本仕様：小型でも長い入力を扱う設計

OpenBMBは本モデルを、オンデバイスおよびリソース制約下での利用を想定した「2B級」のdenseモデルと説明しています。公開資料では総パラメータ数は25.2億、MiniCPM5コレクション上のコンテキスト長は131Kトークンとされています。611

ライセンスはApache-2.0です。ライセンス条件を守る前提で、商用製品への組み込み、改変、再配布を検討しやすい点は、プロダクト開発チームにとって重要です。3

リリースに付随する設定情報では、LlamaForCausalLM互換の構成、42層のデコーダー、grouped-query attention（クエリヘッド16、key/valueヘッド2）、埋め込みを除いて約19.8億パラメータとされています。ただし、本番導入時には、採用するチェックポイントのconfig.jsonで各値を確認するのが安全です。提供された資料の抜粋だけでは、全設定項目を完全には検証できません。

ベンチマーク平均「53.9」はどう見るべきか

OpenBMBは、34タスクをまとめた比較でMiniCPM5-2Bが平均53.9だったと報告しています。同じ表ではQwen3.5-4Bが51.1、granite-4.2-3Bが42.7、LFM2.5-2.6Bが33.2です。さらに同社は、この比較に含まれるより大きなモデルも上回ったとしています。7

小型モデルとして注目すべき数値ですが、これは万能の総合ランキングではありません。53.9は、タスクの選び方、プロンプト、評価基盤、個別結果の集計方法に左右されるベンダー公表の集計値です。そのため、OpenBMBの比較表と同じ条件での相対比較には使えても、「すべての4B以上のオープンモデルより常に優秀」という証明にはなりません。79

公開情報から読み取れる適性は、次の通りです。

• 強みとして挙げられているのは、コード推論、数学推論、長文コンテキスト、ツール利用、複数のエージェントタスクです。7
• 第三者による要約でも、ツール利用、コーディングエージェント、NoLiMa型の長コンテキスト検索で特に強いプロファイルとされています。6
• 一方で同要約では、MMLU-Pro、GPQA-Diamond、MATH-500では大型モデルに後れを取るとされます。アプリの中心が広範な一般知識や難度の高い学術問題であるなら、平均値だけで選定しない方がよいでしょう。6

OpenBMBはArtificial Analysis Intelligence Indexで「4B未満のオープンソースモデル中1位」、スコア23だったとも発信しています。ただしこれは、特定時点・特定リーダーボードにおける同社の主張であり、恒久的かつ全般的な評価を表すものではありません。15

ローカル実行向けのチェックポイントと形式

公開ウェイトは単一の最終モデルだけではありません。BaseおよびSFTのバリエーションに加え、BF16ウェイト、GGUF、MLX、GPTQの量子化版が提供されています。3 FlagOS向けのリリースもあり、ARM W8A8版を含むことから、ARMやエッジ環境での選択肢も広がります。12

サービングについては、公式Hugging Faceのディスカッションで、openbmb/MiniCPM5-2Bを指定したSGLangの起動例が示されています。8 ノートPCなどでの実運用では、ハードウェアと実行ランタイムに合う量子化フォーマットを選ぶことが現実的です。

スマートフォンやノートPCで本当に使える？

25.2億パラメータのdenseモデルは、数百億パラメータ級モデルと比べれば、特に量子化版でローカル実行を狙いやすい規模です。クラウドへ入力データを送らない設計、インフラコストの抑制、応答遅延の短縮を優先するアプリには魅力があります。

ただし、131Kトークンのコンテキスト長をサポートすることと、すべての端末で131Kトークンの会話を快適に実行できることは別です。入力が長くなるほどKVキャッシュのメモリ消費も増えるためです。11 スマートフォンや控えめな構成のノートPCでは、短〜中程度のプロンプトを前提に考えるのが現実的です。

向いている用途

MiniCPM5-2Bは、次のようなケースで有力な候補になります。

• ローカルまたはエッジ環境でのコーディング支援
• ツール呼び出しを伴うAIエージェントのパイプライン
• 量子化モデルをアプリに同梱・配布したい製品
• 最大級の汎用性能より、コスト、応答速度、プライバシーを重視する用途

反対に、幅広い一般知識で常に高い精度が必要な用途や、コーディング・ツール利用以外の難関ベンチマークを重視する用途では、より大きなモデルを比較対象に入れるべきです。MiniCPM5-2Bの説得力は「どの領域でも勝つ」ことではなく、小型、オープンな配布形態、柔軟なライセンス、そしてツール利用を伴うオンデバイス処理で報告されている性能の組み合わせにあります。67