最近尝试了一个叫「全双工」的新全模态模型。

我在等红绿灯的时候，对手机说了一句：等绿灯亮了提醒我一下。然后就低头刷小说去了。过了一会儿，绿灯亮了，手机里的 AI 准时开口：绿灯亮了。

整个过程，它一直在看着红绿灯，但没有打断我看小说。就像一个人坐在旁边，该说的时候才说。

这种体验，在我过去一年多的多模态模型试用经历里，是第一次出现。

再比如，我用微波炉热东西，对它说了一句：一会儿如果你听到微波炉响，提醒我一下。说完我就故意把话题带走，摄像头也不照着微波炉，改成对着水

它照常接话，聊得很自然。过了一会儿，微波炉“叮”了一声。它几乎是立刻把我们刚才的话题停住了，无缝衔接提醒我：该去取东西了。

那种感觉很像有人在旁边听着动静，听到响就顺嘴提醒你一句。它开口输出，并没有影响它继续听。

这个模型叫 MiniCPM-o 4.5，面壁刚刚开源的。参数只有 9B，但它做到了一件之前几乎所有多模态模型都没做好的事——

边看、边听、主动说。

直白一点讲，从这个模型开始，视频对话的体验终于不再像一个“回合制的对讲机”了。

它可以一边说话，一边继续听、继续看。也就是说，它不会因为自己在输出，就暂停对外界的感知。

我测了几轮，体感非常明显。

我在学简笔画，随手画了一只很潦草的小猫，然后把画面给它看，顺口让它描述两句、顺带点评下。

注意，这里我一直没有停笔。我一边画它一边输出，线条一直在变。

你用过别的模型就知道，这种时候很容易出现两种尴尬：要么它一开口就进入讲完一段才停的状态，你改了它也当没看见。要么它为了实时，变成碎碎念，讲两句就卡一下，体验很割裂。

MiniCPM-o 4.5 的表现更像一个人坐在旁边看你画画。它在说的时候，眼睛还在跟着你笔尖走，发现你画出了头，就开始推测是什么小动物。当我把身体画的圆一点，它就知道这是一个胖嘟嘟的小猫。

整个过程不需要你停下来重新拍一张、重新问一次。

为什么会这样？

因为传统的多模态模型，本质上是“单工”的——就像对讲机，只能一边说话，一边听不见。

当它开始输出回答的时候，外界的声音和画面对它来说就是关闭的。它必须说完这一轮，才能重新接收信息。所以你跟它的每一次对话，都被强制切成了一段一段的回合。

MiniCPM-o 4.5 的核心改变，是从“单工”变“全双工”。

“全双工”这个词在通信领域其实非常老了，但放到大模型上，差别反而挺实在。

它开口的时候，外界的声音和画面不会被关掉。

你说话不会打断它的感知，环境变化也不会被它拖到说完再处理。

而 MiniCPM-o 4.5 的状态，更接近一种持续在线。

说真的，仔细联想一下，我甚至觉得这和最近 Clawdbot 火起来的那种爽感有点像。

大家喜欢 Clawdbot，很大一部分原因是它不像传统工具那样你点一下它动一下，它会把目标放在那儿，自己盯着进度往前跑。

MiniCPM-o 4.5 给我的感觉也接近。不只是 agent 能主动，全模态模型同样可以把“等待”和“察觉变化”这件事做得更自然。

而且，我再往下一翻，它的参数居然仅为 9B。。。

如果你对现在的多模态模型有一点概念，就知道 9B 在今天这个尺度下，根本不算大。尤其是在全模态、语音、视频同时跑的场景里，9B 通常意味着妥协。大几率反应慢一点，实时性别想太多。

但你看这组 benchmark ，事情反过来了。

先看能力雷达图。

它放在一起对比的，不是小模型，都是 Qwen3-Omni 30B 这种量级的多模态模型，还有 Gemini Flash 这种以速度著称的方案。

你会发现一个非常反直觉的点。MiniCPM-o 4.5 在视频理解、视觉问答、文档解析、语音相关指标上，并没有明显退一步，甚至在一些实时场景下更稳定。

但真正决定体验的，其实是下面那张效率图。

在同样的 RTX 4090 上测试，9B 的 MiniCPM-o 4.5，INT4 量化后解码速度能到 200 tokens/s 以上，首响时间稳定在 0.6 秒左右，显存占用只有 11GB。

而对比的 30B 级别 omni 模型，要么首响直接拉爆，要么显存占用不可控，根本谈不上持续在线。

全双工这件事，本身就是一场持续消耗算力的战争。你要一边说、一边听、一边看，还要不断做“要不要说”的决策。如果模型本身不够轻、不够省，那就只能退回到分阶段处理，用工程手段打补丁。

也正因为如此，过去你看到的所谓「伪双工」，几乎都发生在云端，用堆算力换体验。

而 MiniCPM-o 4.5 的特异之处在于，它用一个 9B 的体量，把这件事变成了默认状态。

你可能会问：它真的能自己判断时机吗？还是只是反应快一点而已？我又测了几轮更接近真实生活的场景。

比如对视力不太方便的朋友来说，它可以用来帮忙留意盲道上的障碍物。你不用反复发指令，它只是在你往前走的时候，持续看着前面的情况，有变化再提醒你一声。

那么，它在“等”的过程中，会不会把中间的信息弄丢？于是我顺手测了一下它的记忆力。

来一个记忆力大挑战试试，朋友们也可以玩一下：

规则其实不复杂，但要记的东西很多，看得我有点眼花缭乱。说实话，我第一遍我觉得是 4 个，还以为是它翻车了，又不服气地把过程倒回去重新对了一遍。

结果发现，是我错了。。

MiniCPM-o 4.5 给的答案是对的，而且对得挺干脆。有点东西。

然后我又顺手让它陪我下了一把井字棋。

它实时看到下棋子的位置，知道下一步下在哪里才能赢。

这些场景单独拎出来都不算惊艳，但连在一起，就会让你意识到一件事：

不只是 agent 能主动，全模态模型同样可以把“等待”和“察觉变化”这件事做得更自然。

这里还要提一下，面壁已经把 MiniCPM-o 4.5 开源了。

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

HuggingFace：
https://huggingface.co/openbmb/MiniCPM-o-4_5

9B 的体量，因为足够小，可以被量化后部署在端侧设备上——手机、平板、智能眼镜、甚至智能音箱。

所以“边看、边听、主动说”的能力，不会只存在于云端，未来可以装进口袋里。因为开源，开发者可以基于它做各种定制和优化。

如果已经想要试试，可以去在线体验：

https://huggingface.co/spaces/openbmb/minicpm-omni