简介

MiniCPM-o是OpenBMB开源的端侧多模态大模型，8B参数性能媲美GPT-4o。配合MiniCPM-V 4.0可实现iPhone上2秒首token、17+token/s解码。通过高密度视觉token设计和时分复用架构，首次在8B量级打通视觉、语音、视频和文本全模态，支持端到端训练和实时推理，提供完整部署方案，适合开发随身AI导游等应用。

关键词：端侧部署 / 视觉-语音-视频全模态 / 8B 参数 / GPT-4o 级性能 / 开源

---

项目概述

MiniCPM-o 是由 OpenBMB 团队开源的「端侧原生」多模态大模型系列。最新发布的 MiniCPM-o 2.6 仅用 8B 参数 就在 8 项主流基准上追平甚至超越 GPT-4o-202405 等闭源模型；搭配 MiniCPM-V 4.0（4B）更可把延迟压到 iPhone 16 Pro Max 上 2 s 首 token、17+ token/s 解码。

一句话总结:
把 GPT-4o 级别的视觉理解、语音对话和实时多模态交互，塞进手机或 iPad——而且完全开源、可商用。

---

问题背景

• • 云端大模型 延迟高、隐私差、费用贵。
• • 端侧小模型 往往只能做 OCR 或 ASR 单一任务，无法「边看图、边听音、边说话」。
• • 开源社区 一直缺少“小而全”的端到端多模态方案。

MiniCPM-o 通过 高密度视觉 token 设计（2822 px/token，比主流方案高 75%）+ 时分复用流式架构，首次在 8B 量级把视觉、语音、视频、文本全部打通，并跑在消费级硬件。

---

功能亮点

特性	MiniCPM-o 2.6	MiniCPM-V 4.0
规模	8 B	4 B
模态	图像+视频+文本+音频（含语音克隆）	图像+视频+文本
视觉标杆	OpenCompass 70.2，>GPT-4o	OpenCompass 69.0，>GPT-4.1-mini
语音能力	中英双语实时对话、情感/语速/风格控制	—
实时交互	iPad Pro 上 30 fps 视频流式问答	iPhone 16 Pro Max 首 token <2 s
量化版本	int4/gguf 最低 8 GB → 5 GB	int4/gguf 最低 4 GB
部署方式	llama.cpp / Ollama / vLLM / iOS App	同上

---

技术细节

1. 1. 端到端全模态架构
      SigLip-400M + Whisper-medium + ChatTTS + Qwen2.5-7B 全部端到端训练，避免级联误差。
2. 2. 流式时分复用机制
      把视觉、音频 chunk 拆成时间片，统一送入 LLM，实现实时多模态推理。
3. 3. 可配置声音系统提示
      通过参考音频 + 文字 prompt 即可控制 TTS 的音色、情感、语速，支持端到端声音克隆。
4. 4. 超高视觉 token 密度
      1344×1344 图像仅需 640 token，显存占用下降 60%+，推理提速 2~3 倍。

---

安装与使用

一行命令跑 Demo

# 安装依赖
pip install -r requirements_o2.6.txt

# 启动本地流式视频+语音对话
python web_demos/minicpm-o_2.6/model_server.py
# 浏览器打开 https://localhost:8088 即可体验

量化 & 端侧部署

模型	格式	大小	命令示例
MiniCPM-o 2.6	int4	9 GB	ollama run minicpm-o:8b-int4
MiniCPM-V 4.0	gguf	4 GB	llama.cpp/main -m minicpm-v4-q4_k.gguf
iOS App	—	—	TestFlight 已开放，链接在仓库 README

微调

• • LLaMA-Factory：Web UI 一键 LoRA/QLoRA
• • Align-Anything：北大团队框架，支持 DPO/SFT 在视觉+音频双模态
• • SWIFT：阿里 PAI 官方 200+ 模型通用微调脚本

---

应用案例

1. 1. 随身 AI 导游
      打开 iPad 对着景点拍视频，MiniCPM-o 用语音实时讲解历史文化。
2. 2. 离线会议纪要
      导入会议录像，自动生成带时间戳的双语字幕 & 摘要，全程本地跑。
3. 3. 无障碍助手
      视障用户拍照或拍视频，模型语音描述场景；听障用户语音转文字。
4. 4. 教育硬件
      把 MiniCPM-V 4.0 量化到 4 GB，直接嵌入学习平板，实现拍照搜题+语音辅导。

---

项目地址

GitHub：
👉 https://github.com/OpenBMB/MiniCPM-o

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】