MiniCPM5-2B 係 OpenBMB 同 ModelBest 推出嘅 compact、dense 語言模型，設計重點唔係做一個「縮細版通才」，而係集中處理 coding、工具調用（tool calling）同 agent 工作流，目標係可喺裝置端或資源有限環境運行。OpenBMB 嘅更新紀錄顯示，模型於 2026 年 9 月 7 日正式發布；此前喺 7 月 19 日 WAIC（世界人工智能大會）亮相。 123

核心規格：細，但唔只係輕量

官方將 MiniCPM5-2B 定位為「2B 級」dense 模型，面向 on-device 同資源受限部署。公開資料列出佢有 25.2 億參數；OpenBMB 嘅模型集合頁則標示 MiniCPM5 2B 支援 131K tokens context window。 611

佢採用 Apache-2.0 授權。對於想將模型整合入商業產品、修改模型或連同產品分發嘅團隊而言，呢種授權相對寬鬆，但仍要遵守授權條款。 3

隨發布提供嘅設定資料顯示，模型與 LlamaForCausalLM 相容，有 42 層 decoder、採用 grouped-query attention，設 16 個 query heads、2 個 key/value heads；不計 embeddings 約有 19.8 億參數。真係要上 production 時，最好仍然以你下載嗰個 checkpoint 嘅 config.json 為準，因為現有來源摘錄未完整核實全部技術欄位。

53.9 分好唔好？要識得睇

OpenBMB 表示，MiniCPM5-2B 喺其 34 項任務比較中平均得分 53.9。同一張表內，Qwen3.5-4B 為 51.1、granite-4.2-3B 為 42.7、LFM2.5-2.6B 為 33.2；官方亦聲稱，佢高過該次比較納入嘅所有更大模型。 7

對一個 2B 級模型而言，呢個結果值得留意，但唔等於佢係所有開放模型嘅「全能冠軍」。53.9 係廠商發布嘅整合 benchmark 分數：任務選擇、prompt、評測工具同各項成績如何合併，都會影響結果。因此較合理嘅用法，係將佢同 OpenBMB 同一張表、同一評測設定下嘅模型比較；唔好據此推論佢喺每種用途都勝過任何 4B 或更大模型。 79

現有資料反映，佢嘅能力輪廓相當清楚：

• 官方指強項主要係 code 與數學推理、長 context、工具調用同多種 agent 任務。 7
• 第三方整理認為，佢喺 tool use、coding agents 同類似 NoLiMa 嘅長文檢索任務尤其突出。 6
• 同一整理亦指出，佢喺 MMLU-Pro、GPQA-Diamond 同 MATH-500 相對落後；如果你個產品主要靠廣泛知識問答，就唔應只睇平均分揀模型。 6

OpenBMB 亦曾稱模型喺 Artificial Analysis Intelligence Index 的 4B 以下開源模型中排名第一，分數為 23。不過呢個屬於特定時間點、特定排行榜嘅公司說法，唔係一個永久或全面嘅能力結論。 15

本機部署有咩版本可揀？

MiniCPM5-2B 唔係只得一個最終 checkpoint。開放權重發布包括 Base 同 SFT 版本，以及 BF16、GGUF、MLX、GPTQ 等量化格式。 3 OpenBMB 亦發布過 FlagOS 版本，包括 ARM W8A8 變體，令 ARM 同 edge 環境有更多部署選項。 12

伺服器部署方面，官方 Hugging Face 討論區有用 SGLang 啟動 openbmb/MiniCPM5-2B 嘅示例。 8 若果目標係 laptop 或其他本機裝置，量化版本通常先係較實際嘅選擇；至於用 GGUF、MLX 定 GPTQ，就要配合你嘅硬件同 runtime。

手機、laptop 真係跑到？

同數十億、甚至數百億參數嘅大型模型比較，25.2 億參數嘅 dense 模型，尤其配合量化版本，的確更有機會本機運行。對重視私隱、想減少雲端推理成本，或者要較快本地回應嘅應用，呢點相當吸引。

但要留意，131K context 支援 唔等於任何手機都能舒舒服服跑完整個 131K token 對話。Prompt 愈長，KV cache 佔用嘅記憶體愈多；「模型支援長 context」同「一部普通手機可順暢處理最長 context」係兩回事。 11

邊啲情況最適合用？

如果你想要一個細型、開放權重、授權彈性高嘅模型，MiniCPM5-2B 特別適合：

• 本機或 edge 端嘅 coding 助手；
• 要做 tool calling 或 agent pipeline 嘅應用；
• 想連同產品分發量化模型嘅團隊；
• 成本、延遲與私隱，比追求最高通用能力更重要嘅場景。

相反，如果應用需要穩定而強勁嘅通用知識，或者特別依賴高難度學術 benchmark 表現，較大模型仍然係合理對照。MiniCPM5-2B 最有說服力嘅地方，唔係話自己乜都贏，而係以較細體積、開放發布同聲稱不俗嘅 coding／工具型 agent 表現，換取更實際嘅裝置端部署選擇。 67

MiniCPM5-2B 係 OpenBMB 同 ModelBest 推出嘅 compact、dense 語言模型，設計重點唔係做一個「縮細版通才」，而係集中處理 coding、工具調用（tool calling）同 agent 工作流，目標係可喺裝置端或資源有限環境運行。OpenBMB 嘅更新紀錄顯示，模型於 2026 年 9 月 7 日正式發布；此前喺 7 月 19 日 WAIC（世界人工智能大會）亮相。 123

核心規格：細，但唔只係輕量

官方將 MiniCPM5-2B 定位為「2B 級」dense 模型，面向 on-device 同資源受限部署。公開資料列出佢有 25.2 億參數；OpenBMB 嘅模型集合頁則標示 MiniCPM5 2B 支援 131K tokens context window。 611

佢採用 Apache-2.0 授權。對於想將模型整合入商業產品、修改模型或連同產品分發嘅團隊而言，呢種授權相對寬鬆，但仍要遵守授權條款。 3

隨發布提供嘅設定資料顯示，模型與 LlamaForCausalLM 相容，有 42 層 decoder、採用 grouped-query attention，設 16 個 query heads、2 個 key/value heads；不計 embeddings 約有 19.8 億參數。真係要上 production 時，最好仍然以你下載嗰個 checkpoint 嘅 config.json 為準，因為現有來源摘錄未完整核實全部技術欄位。

53.9 分好唔好？要識得睇

OpenBMB 表示，MiniCPM5-2B 喺其 34 項任務比較中平均得分 53.9。同一張表內，Qwen3.5-4B 為 51.1、granite-4.2-3B 為 42.7、LFM2.5-2.6B 為 33.2；官方亦聲稱，佢高過該次比較納入嘅所有更大模型。 7

對一個 2B 級模型而言，呢個結果值得留意，但唔等於佢係所有開放模型嘅「全能冠軍」。53.9 係廠商發布嘅整合 benchmark 分數：任務選擇、prompt、評測工具同各項成績如何合併，都會影響結果。因此較合理嘅用法，係將佢同 OpenBMB 同一張表、同一評測設定下嘅模型比較；唔好據此推論佢喺每種用途都勝過任何 4B 或更大模型。 79

現有資料反映，佢嘅能力輪廓相當清楚：

• 官方指強項主要係 code 與數學推理、長 context、工具調用同多種 agent 任務。 7
• 第三方整理認為，佢喺 tool use、coding agents 同類似 NoLiMa 嘅長文檢索任務尤其突出。 6
• 同一整理亦指出，佢喺 MMLU-Pro、GPQA-Diamond 同 MATH-500 相對落後；如果你個產品主要靠廣泛知識問答，就唔應只睇平均分揀模型。 6

OpenBMB 亦曾稱模型喺 Artificial Analysis Intelligence Index 的 4B 以下開源模型中排名第一，分數為 23。不過呢個屬於特定時間點、特定排行榜嘅公司說法，唔係一個永久或全面嘅能力結論。 15

本機部署有咩版本可揀？

MiniCPM5-2B 唔係只得一個最終 checkpoint。開放權重發布包括 Base 同 SFT 版本，以及 BF16、GGUF、MLX、GPTQ 等量化格式。 3 OpenBMB 亦發布過 FlagOS 版本，包括 ARM W8A8 變體，令 ARM 同 edge 環境有更多部署選項。 12

伺服器部署方面，官方 Hugging Face 討論區有用 SGLang 啟動 openbmb/MiniCPM5-2B 嘅示例。 8 若果目標係 laptop 或其他本機裝置，量化版本通常先係較實際嘅選擇；至於用 GGUF、MLX 定 GPTQ，就要配合你嘅硬件同 runtime。

手機、laptop 真係跑到？

同數十億、甚至數百億參數嘅大型模型比較，25.2 億參數嘅 dense 模型，尤其配合量化版本，的確更有機會本機運行。對重視私隱、想減少雲端推理成本，或者要較快本地回應嘅應用，呢點相當吸引。

但要留意，131K context 支援 唔等於任何手機都能舒舒服服跑完整個 131K token 對話。Prompt 愈長，KV cache 佔用嘅記憶體愈多；「模型支援長 context」同「一部普通手機可順暢處理最長 context」係兩回事。 11

邊啲情況最適合用？

如果你想要一個細型、開放權重、授權彈性高嘅模型，MiniCPM5-2B 特別適合：

• 本機或 edge 端嘅 coding 助手；
• 要做 tool calling 或 agent pipeline 嘅應用；
• 想連同產品分發量化模型嘅團隊；
• 成本、延遲與私隱，比追求最高通用能力更重要嘅場景。

相反，如果應用需要穩定而強勁嘅通用知識，或者特別依賴高難度學術 benchmark 表現，較大模型仍然係合理對照。MiniCPM5-2B 最有說服力嘅地方，唔係話自己乜都贏，而係以較細體積、開放發布同聲稱不俗嘅 coding／工具型 agent 表現，換取更實際嘅裝置端部署選擇。 67