MiniCPM-o 4.5 开源了。这是面壁智能 OpenBMB 在 2 月正式开源的新一代全模态旗舰模型参数量只有 9B。却对标甚至在多项任务上追平乃至超越一些闭源大模型被很多人称为端侧 GPT‑4o 平替。目前 MiniCPM-o 4.5 开源模型已经登上了 Hugging Face 的热榜第 2。MiniCPM-o 4.5 能同时看图/视频、听声音、说话和输出文字。并且支持全双工也就是一边看一边听的同时还能主动说话目标是把接近 GPT‑4o / Gemini 2.5 Flash 水平的多模态能力塞进手机、PC、车机等端侧设备上运行。01开源项目简介MiniCPM-o 4.5 9B 参数的开源全模态大模型 原生全双工实时交互 端侧友好部署这几个关键词听着挺炫酷的用人话解释一下就是① 全模态Omni能同时处理图像、视频、文本、音频输入输出文本和语音。② 全双工Full Duplex能做到边看、边听、边说不是回合制问答。传统对话式 AI 是对讲机模式你说完一句它才开始想、然后再回一句。MiniCPM‑o 4.5 的思路是让 AI 像人一样一直在看和听同时决定什么时候说。听起来容易做起来难。除了要做到输入输出并行互不阻塞。模型在说话时眼睛和耳朵还不能关机还得继续看视频、听你说话。甚至你可以随时打断、随时插话它能立刻切换话题或调整回应。③ 端侧优先Edge-native只有 9B 参数却在视觉理解、文档解析、语音交互等方面做到接近 Gemini 2.5 Flash 级别同时又适合在本地设备上跑比如手机、车机、机器人、平板等。开源地址https://github.com/OpenBMB/MiniCPM-oHugging Facehttps://huggingface.co/openbmb/MiniCPM-o-4_502它是怎么做到又全又小的从技术结构看MiniCPM-o 4.5 可以粗略理解为在 Qwen3‑8B 语言底座上接入 SigLIP2 视觉编码、Whisper 语音理解、CosyVoice2 语音生成再用统一全模态架构打通做成一个端到端的全模态大脑。几个关键点值得展开说一下① 统一的全模态架构不再是视觉模型 → 丢给语言模型的松散拼接而是从输入编码到输出解码都由一个统一系统协调文本、语音、图像、视频会在一个共享的语义空间里被理解这让跨模态推理更自然比如一边看视频、一边听声音时能理解谁在说话、刚刚发生了什么而不是分别对待音轨和画面② 全双工语音解码语音解码器采用文本 token 语音 token 交错建模的方式这带来两个直接好处在输出语音时仍然可以持续读入新输入实现真正意义上的全双工长语音时音色更统一、语气更自然不容易越说越飘。③ 高效视觉/视频处理借鉴了 MiniCPM-V 4.5 的设计使用高效视觉 backbone token 压缩策略把高分辨率图像和多帧视频压缩到极少的视觉 token 数量结果是视频理解的性价比极高在同样的算力预算下它能看的内容比同类模型多得多特别适合端侧设备上做长视频分析、实时摄像头理解。03如何使用最简单的你可以在 Hugging Face 上直接使用搭建好的 Demo获取语音和摄像头权限就行了。Demohttps://huggingface.co/spaces/openbmb/MiniCPM-o-4_5-DemoMiniCPM-o 4.5 之所以在开源社区讨论度极高一个很大的原因是它不是只活在论文里的模型而是从一开始就被设计为要在设备上跑。具体部署方式可以看下面这个链接部署指引https://github.com/OpenSQZ/MiniCPM-V-CookBook/blob/main/demo/web_demo/WebRTC_Demo/README_zh.md官方已经给出了一整套开源部署方案包括但不限于llama.cpp-omni面壁自研的开源流式全模态推理框架主打端侧/边缘设备上的低延迟推理支持全双工交互常见推理框架适配vLLM、SGLang、Ollama、LLaMA-Factory 等多种量化模型原始 bf16 约需要 19GB 显存int4 量化后内存可降到 约 11GB 或更低速度可超过 200 tokens/s在一块主流消费级 GPU 上跑起一个会看会听会说的全模态 AI。另外在国产算力生态方面MiniCPM-o 4.5 通过 FlagOS 系统软件栈已经适配了多家国产芯片包括天数智芯、华为昇腾、平头哥、海光、沐曦等对于想在国产硬件上落地 AI 应用的团队MiniCPM-o 4.5 已经是一个拿来就能跑的成熟选项而不是停留在 PPT 阶段。04点击下方卡片关注逛逛 GitHub这个公众号历史发布过很多有趣的开源项目如果你懒得翻文章一个个找你直接关注微信公众号逛逛 GitHub 后台对话聊天就行了