它不是「縮小版通才」，而是瞄準本機代理工作

MiniCPM5-2B 是 OpenBMB 與 ModelBest 推出的緊湊型稠密語言模型，目標是裝置端與資源受限環境。它的實用定位很明確：協助寫程式、呼叫外部工具，以及執行 agentic（代理式）工作流，而不只是把一般知識模型縮小。

OpenBMB 的更新紀錄將其正式發布日期列為 2026 年 9 月 7 日；在此之前，模型已於 7 月 19 日的世界人工智慧大會（WAIC）亮相。123

公開資料稱其共有 25.2 億個參數，而 OpenBMB 的模型集合頁面則標示 MiniCPM5 2B 具有 131K tokens 的上下文長度。611

模型採用寬鬆的 Apache-2.0 授權。對希望將模型整合、微調並隨商業產品散布的團隊而言，這比限制較多的授權更具彈性，但仍須遵守授權條款。3

隨發布資料附帶的設定描述其與 LlamaForCausalLM 相容，包含 42 個 decoder layers、grouped-query attention、16 個 query heads、2 個 key/value heads，且不含 embeddings 的參數量約為 19.8 億。不過，現有來源摘錄未完整驗證所有這些設定欄位；若要進行正式部署，仍應以所選 checkpoint 的 config.json 為準。

「34 項任務平均 53.9」該怎麼看？

OpenBMB 在自家比較表中表示，MiniCPM5-2B 在 34 項任務的平均分是 53.9。同一表格中，Qwen3.5-4B 為 51.1、granite-4.2-3B 為 42.7、LFM2.5-2.6B 為 33.2；官方也稱它高於該表中納入比較的所有較大模型。7

對這個體積的模型而言，成績相當吸引人，但不能將其解讀為所有情境下的通用排名。53.9 是廠商發布的彙總分數，其意義取決於測試任務、提示詞、評測框架，以及各項結果的整合方式。它適合用於比較 OpenBMB 表格裡的指定模型與設定，並不能直接證明它在每一種用途上都勝過所有 4B 或更大的開放模型。79

目前資料呈現出的能力輪廓如下：

• 官方指出其優勢集中在程式與數學推理、長文本、工具調用及多種代理任務。7
• 第三方整理認為，它在 tool use、coding agents 與 NoLiMa 類型的長上下文檢索方面最具競爭力。6
• 同一整理也指出，它在 MMLU-Pro、GPQA-Diamond 與 MATH-500 的表現相對較低；若產品核心需求是廣泛的一般知識，就不該只看平均分數做選擇。6

OpenBMB 另稱，它以 23 分登上 Artificial Analysis Intelligence Index 中、4B 以下開放原始碼模型的第一名。這是特定時間點、特定排行榜的公司主張，不代表永久或全面性的評價。15

本機部署有哪些權重與格式？

這次開放權重發布不只提供單一最終 checkpoint，還包含 Base 與 SFT 版本，以及 BF16、GGUF、MLX、GPTQ 等量化格式。3 OpenBMB 也發布了 FlagOS 相關版本，包括 ARM W8A8 變體，讓 ARM 與邊緣裝置多了一種部署選項。12

伺服器部署方面，官方 Hugging Face 討論頁提供了以 SGLang 啟動 openbmb/MiniCPM5-2B 的示例。8 至於在個人電腦或其他裝置上本機執行，通常會以量化版本為主；應選擇哪種 runtime，則取決於權重格式與硬體平台。

手機與筆電真的跑得動嗎？

對短到中等長度的提示詞而言，25.2 億參數的稠密模型，尤其是量化後的版本，確實比數百億參數模型更適合本機運行。因此，若產品重視資料不離開裝置、降低雲端成本與縮短回應延遲，它會是一個值得考慮的選擇。

不過，支援 131K tokens 上下文，不等於每台設備都能輕鬆處理完整的 131K 對話。隨著提示詞變長，KV cache 的記憶體用量也會增加；「可支援長上下文」與「能在手機或一般筆電上舒適跑滿長上下文」是兩回事。11

哪些情境適合選它？

MiniCPM5-2B 比較適合以下需求：

• 本機或邊緣端的程式設計輔助；
• 需要 tool calling 的自動化流程與代理管線；
• 希望隨產品散布量化模型；
• 成本、延遲與隱私比極限通用能力更重要的應用。

若應用需要穩定而廣泛的一般知識，或必須在高難度、非程式設計導向的基準上取得更強表現，較大型模型依然是合理的比較對象。MiniCPM5-2B 最有說服力的地方，不是宣稱自己無所不能，而是在小型、開放且授權友善的前提下，為工具使用與裝置端工作流提供了具吸引力的效能組合。67

它不是「縮小版通才」，而是瞄準本機代理工作

MiniCPM5-2B 是 OpenBMB 與 ModelBest 推出的緊湊型稠密語言模型，目標是裝置端與資源受限環境。它的實用定位很明確：協助寫程式、呼叫外部工具，以及執行 agentic（代理式）工作流，而不只是把一般知識模型縮小。

OpenBMB 的更新紀錄將其正式發布日期列為 2026 年 9 月 7 日；在此之前，模型已於 7 月 19 日的世界人工智慧大會（WAIC）亮相。123

公開資料稱其共有 25.2 億個參數，而 OpenBMB 的模型集合頁面則標示 MiniCPM5 2B 具有 131K tokens 的上下文長度。611

模型採用寬鬆的 Apache-2.0 授權。對希望將模型整合、微調並隨商業產品散布的團隊而言，這比限制較多的授權更具彈性，但仍須遵守授權條款。3

隨發布資料附帶的設定描述其與 LlamaForCausalLM 相容，包含 42 個 decoder layers、grouped-query attention、16 個 query heads、2 個 key/value heads，且不含 embeddings 的參數量約為 19.8 億。不過，現有來源摘錄未完整驗證所有這些設定欄位；若要進行正式部署，仍應以所選 checkpoint 的 config.json 為準。

「34 項任務平均 53.9」該怎麼看？

OpenBMB 在自家比較表中表示，MiniCPM5-2B 在 34 項任務的平均分是 53.9。同一表格中，Qwen3.5-4B 為 51.1、granite-4.2-3B 為 42.7、LFM2.5-2.6B 為 33.2；官方也稱它高於該表中納入比較的所有較大模型。7

對這個體積的模型而言，成績相當吸引人，但不能將其解讀為所有情境下的通用排名。53.9 是廠商發布的彙總分數，其意義取決於測試任務、提示詞、評測框架，以及各項結果的整合方式。它適合用於比較 OpenBMB 表格裡的指定模型與設定，並不能直接證明它在每一種用途上都勝過所有 4B 或更大的開放模型。79

目前資料呈現出的能力輪廓如下：

• 官方指出其優勢集中在程式與數學推理、長文本、工具調用及多種代理任務。7
• 第三方整理認為，它在 tool use、coding agents 與 NoLiMa 類型的長上下文檢索方面最具競爭力。6
• 同一整理也指出，它在 MMLU-Pro、GPQA-Diamond 與 MATH-500 的表現相對較低；若產品核心需求是廣泛的一般知識，就不該只看平均分數做選擇。6

OpenBMB 另稱，它以 23 分登上 Artificial Analysis Intelligence Index 中、4B 以下開放原始碼模型的第一名。這是特定時間點、特定排行榜的公司主張，不代表永久或全面性的評價。15

本機部署有哪些權重與格式？

這次開放權重發布不只提供單一最終 checkpoint，還包含 Base 與 SFT 版本，以及 BF16、GGUF、MLX、GPTQ 等量化格式。3 OpenBMB 也發布了 FlagOS 相關版本，包括 ARM W8A8 變體，讓 ARM 與邊緣裝置多了一種部署選項。12

伺服器部署方面，官方 Hugging Face 討論頁提供了以 SGLang 啟動 openbmb/MiniCPM5-2B 的示例。8 至於在個人電腦或其他裝置上本機執行，通常會以量化版本為主；應選擇哪種 runtime，則取決於權重格式與硬體平台。

手機與筆電真的跑得動嗎？

對短到中等長度的提示詞而言，25.2 億參數的稠密模型，尤其是量化後的版本，確實比數百億參數模型更適合本機運行。因此，若產品重視資料不離開裝置、降低雲端成本與縮短回應延遲，它會是一個值得考慮的選擇。

不過，支援 131K tokens 上下文，不等於每台設備都能輕鬆處理完整的 131K 對話。隨著提示詞變長，KV cache 的記憶體用量也會增加；「可支援長上下文」與「能在手機或一般筆電上舒適跑滿長上下文」是兩回事。11

哪些情境適合選它？

MiniCPM5-2B 比較適合以下需求：

• 本機或邊緣端的程式設計輔助；
• 需要 tool calling 的自動化流程與代理管線；
• 希望隨產品散布量化模型；
• 成本、延遲與隱私比極限通用能力更重要的應用。

若應用需要穩定而廣泛的一般知識，或必須在高難度、非程式設計導向的基準上取得更強表現，較大型模型依然是合理的比較對象。MiniCPM5-2B 最有說服力的地方，不是宣稱自己無所不能，而是在小型、開放且授權友善的前提下，為工具使用與裝置端工作流提供了具吸引力的效能組合。67