MiniCPM5 2B
PulseAugur coverage of MiniCPM5 2B — every cluster mentioning MiniCPM5 2B across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型 EdgeRock-4B 模型将 KV Cache 使用量削减 99%，吞吐量提升 6 倍
香港科技大学和卡内基梅隆大学的研究人员与燕山科技合作，开发并开源了一个名为 EdgeRock-4B 的新模型。该模型将 KV Cache 的使用量显著减少了 99.1%，能够在不增加内存消耗的情况下实现更长的上下文窗口。与基础模型 Qwen3.5-4B 相比，EdgeRock-4B 的吞吐量提高了 6.42 倍，同时保持了强大的推理能力。这项创新在于一种名为 Rock Memory Anchors (RMA) 的新型内存机制，该机制选…
-
LFM2.5 2.6B 在速度和资源使用方面优于 MiniCPM5 2B
一位用户比较了两种小型语言模型 LFM2.5 2.6B 和 MiniCPM5 2B 在代理任务中的表现。结果发现 LFM2.5 模型尽管参数更多，但速度更快，占用的 RAM 更少。虽然 MiniCPM5 有时会用中文回复并使用更多内存，但有人指出它在用英文回复代理工作时可能更聪明。最终，LFM2.5 因其性能和英文对齐而被认为更优选。
-
小型Qwen3大语言模型在旧手机上控制桌面浏览器
一个演示展示了Qwen3-0.6B语言模型在2017年的三星Note 8手机上成功控制了桌面版Google Chrome浏览器。该模型处理了结构化的页面表示，以执行诸如选择特定链接和提取数据等任务，在测试场景中达到了10/10的成功率。该设置突显了小型本地运行模型与Web界面交互的潜力，在效率和准确性方面优于直接处理HTML。
-
本地LLM争论：小型智能模型 vs. 高效大型模型
本地大型语言模型（LLMs）的未来正在被讨论，重点是优化将导致更小、能力更强的模型，还是更高效的大型模型。一位用户分享了在CPU上运行模型的经验，指出像MiniCPM5 2B这样的小型模型尽管处理速度更快，但在准确性方面却表现不佳。相比之下，像Qwen3.6 35B这样的大型模型虽然速度较慢，但提供了显著更好的结果，这表明大型模型的效率可能是本地部署的关键。
-
OpenBMB发布MiniCPM5-2B，一款性能媲美Gemma 4-12B的2B模型
OpenBMB发布了MiniCPM5-2B，这是一款拥有20亿参数的AI模型，其性能可与Gemma 4-12B等更大模型相媲美。该模型在智能密度方面表现出色，并提供强大的日语语言能力，这在其模型尺寸中非常罕见。它在人工智能分析指数上名列40亿参数以下开源模型之首，并根据Apache License 2.0在Hugging Face和ModelScope上免费提供。
-
OpenBMB发布MiniCPM5-2B，一个25.2亿参数的设备端模型
OpenBMB发布了MiniCPM5-2B，一个拥有25.2亿参数的密集语言模型，专为设备端部署而设计。该模型在其同等规模的开源模型中取得了最先进的性能，在编码、工具使用和长上下文理解方面表现出色，同时与更大的模型相比仍具有竞争力。此次发布包括Apache 2.0许可下的模型权重及其高质量的训练数据集，为进一步的研究和开发提供了支持。