9B 模型“平替”GPT-4o ？！面壁赌对OpenClaw端侧AI，内部上演一人月产65万行代码的效率核爆

作者 | 褚杏娟

2023 年，在百模大战正激烈的时候，面壁智能突然转向端侧大模型，这一战略决策受到了外界不少质疑，直到次年苹果的入局才让市场相信他们的判断。3 年后，面壁的打法和认知更为坚定和清晰，并火力全开：发布首个可以“即时自由对话”的大模型、年中发布首款 AI 硬件松果派（Pinea Pi）以支持硬件场景的全栈开发。

首次手搓全双工全模态模型

2 月 4 日，面壁正式发布并开源了新一代全模态旗舰模型 MiniCPM-o 4.5。作为原生全双工的全模态大模型，MiniCPM-o 4.5 新引入了一种端到端的“边看、边听、主动说”的全模态能力：模型可以进行即时、自由的对话交互，弱化了传统对话中“一问一答”的轮次概念，而是允许模型根据语义和场景，自主判断是否发起对话。

直接看具体效果：

上述展示中模型一直在观察，且没有涉及复杂的调度

“全模态能力是 AI 进入人类物理世界所必备的一项基础能力。这一次的全模态模型，最大的特色在于高度拟人、自然的交互方式，也就是说，看、听、说是并行发生、互不阻塞，不再采用过去那种回合制交互。这在技术上是一次非常重要的跨越，也是未来 AI 真正进入物理世界所必须具备的基本能力。”面壁智能联合创始人兼首席科学家刘知远说道。

清华大学人工智能学院助理教授、面壁智能多模态首席科学家姚远，主要负责 MiniCPM-o 4.5 的研发。他介绍，该模型主要依赖两项核心创新：一是全双工机制，多模态输入和输出彼此不阻塞，模型可以持续感知外界的视频和音频流，同时进行语音或文本输出，不会因“正在说话”暂停对外界的感知；二是全模态的自主交互机制，模型会持续判断当前语义是否已经成熟，是否达到了适合触发自身输出的时机。

他坦言，目前市面上大多是将图像模型、语音模型，甚至 instruct 模型和 thinking 模型拆分为不同的模型分别训练。面壁这次尝试将所有能力统一训练到一个模型中，面临了不小的挑战。

首先就是多维度一起训练，整体难度会急剧上升，再加上端到端的多模态训练，本身就会显著增加系统负担；其次 9B 参数规模下，要在语音、全模态交互以及视觉能力等方面取得不错效果，就要对模型如何学习和吸收知识有更深入的理解，能够更精细地把握模型在不同训练阶段的学习动态，避免新引入的知识与已有能力之间产生冲突。这期间，技术团队克服了大量困难。

最后，团队能够在多模态训练过程中较好地保持文本能力，instruct 能力没有明显损失，甚至实现小幅提升。此外，模型通过更低的显存占用、更快的响应速度，确保在提供 SOTA 级全模态表现的同时，实现了最佳的推理效率和最低的推理开销。

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

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

体验链接：https://minicpm-omni.openbmb.cn/

目前，模型记忆大概在一分钟左右，也模型推理的最佳“舒适区”。姚远表示，Infra 层虽然可以支持更长时间的训练和推理，但如果模型未来要承担更长期、甚至接近全天候陪伴式的使用形态，就必然要在方法和机制上做更多创新。

端侧对低延时要求非常高。这次，模型侧的低延迟优化主要来自两点：首先，在全双工状态下，模型不再依赖外部的微型工具或小模型来判断“什么时候开始推理”，传统逻辑里需要固定等待的时间被去掉，模型可以直接基于语义判断无缝生成回应。其次，现在不少方案会把语音 token 直接放进一个大模型里统一生成，这会带来非常沉重的计算开销。面壁技术团队采用的方式是，一个大的主干模型加一个轻量级语音生成模块，在保证效率的同时，两者通过稠密的隐藏层连接，把主 token 与各个头部 token 紧密关联起来，因此实现控制能力不受影响。

而使用侧的系统层面，则依赖于高效的推理框架 llama.cpp-omni 和低延迟的交互系统。

姚远指出，多模态数据本身并不是最大的问题。预训练阶段“数据燃料耗尽”主要指文本数据；而在多模态领域，当前的挖掘程度远远不够，甚至都还没有真正找到一种非常有效的方式系统利用这些数据。而全双工、全模态的自主交互机制，可能正是未来新的学习与增长方式。

当前，如何在不牺牲单任务性能的前提下，实现统一建模、高效泛化以及理解生成一体化，是当前业内积极探索的研究方向，如今面壁也迈出了自己的关键一步。

让开发者回答，AI 硬件该是什么样

端侧领域，除了开发端原生的模型，与芯片厂商的合作也越来越重要。

一方面，芯片厂商非常希望从前沿端侧模型的公司，获取未来训练模型的规划和展望，这有助于设计新的芯片；另一方面，模型公司在设计和训练新模型时，也希望能够提前了解芯片的特性，说明需要的算子类型和架构特点，以确保训练出的模型在这些芯片上运行时效率最高。

面壁如今就在成为连接芯片厂商和终端厂商的重要媒介，而且还要连接更多的开发者：今年面壁发力的重点之一便是开发者生态。

25 年上半年，面壁投资人在深圳调研发现，在深圳做 AI 硬件的项目，凡涉及端侧模型的，超过一半以上都在使用 MiniCPM。这是面壁今年开始建设开发者生态、提供硬件的根本原因。

面壁智能联合创始人兼 COO 雷升涛解释，单纯依靠商业化，把 MiniCPM 部署到数百亿台设备上会比较困难，而通过生态建设可以让开发者一起参与推动。生态的优势在于自然生长，只要有好的基础，它就会衍生出许多依赖性的、难以想象的应用。对于“应该能开发出哪些硬件”的问题，面壁没有设定特别明确的规划或期待，而是把答案留给了开发者。

面壁践行这一策略的首个举措就是发布松果派：一款 AI 原生 (AI Native) 的端侧智能开发板。

这背后的逻辑是：推广语言模型相对容易，但当模态增加、要在设备上运行、进行微调、完成对齐后再开发应用，难度就显著提升，这部分难度需要依靠工具和软硬件来解决，承载这部分功能的就是松果派。未来面壁模型发布时，就会针对指定硬件进行优化，减少用户在适配上消耗的大量精力。

松果派构建了一套软硬一体、全栈覆盖的端侧 AI 软件体系。其基于 NVIDIA Jetson 系列模组打造，内置麦克风、摄像头、丰富的接口等多模态硬件组件，以便开发者高效开发和调用。

松果派计划在年中正式量产上市，但它今年不会承担面壁特别强的商业化诉求，更多是承担市场教育作用：让更多的人能更快体验模型能力，并在各类场景中应用起来。打通端侧模型到应用的最后一公里硬件、实现对用户痛点的覆盖，就是面壁今年的目标。

面壁目前并未透露具体价格，但肯定地表示不会以盈利为主要目的。最初版本选择了在全球范围内相对成熟的方案，接下来会陆续推出相应的国产化版本以及不同算力的版本，并根据开发者反馈进行规划和调整。

这次松果派的硬件本身是由合作伙伴完全设计，面壁主要将其整合应用。面壁智能联合创始人兼 CEO 李大海强调，面壁最重要的是做端侧原生，聚焦端侧模型研发。“端侧模型的商业化落地，本身既是对我们模型能力的验证，也是为端侧模型建立数据飞轮，形成完整的闭环。从核心来看，我们的工作一直很专注。在过去，虽然出现了许多看似有吸引力的机会，但我们始终坚持取舍，最终选择聚焦在端侧模型这件事情上。”

如何从各种竞争中突围？

面壁的核心理念是大模型“知识密度定律（Densing Law）”，即大模型的知识密度大约每 100 天提升一倍。这引发了一个重要推论：大模型的保鲜期非常短。换句话说，任何一家大模型公司都必须持续不断地推出优秀的大模型。回顾国内外所有模型厂商，没有任何例外。

“如果一个厂商只能在某一个时间点推出一个模型，那么它实际上无法在行业前沿持续存在；半年、一年之后，用户很可能就会忘记这个模型。因此，关键不在于推出单一优秀模型，而在于能够持续不断地推出优秀模型。”李大海说道，“面壁的目标是打造一个能够持续训练出高知识密度大模型的系统。这才是我们认为最重要的产品、技术层面的核心。”

雷升涛补充道，在模型之外，把底层的 Infra 模型跑到极致也是延长模型领先时间的关键，毕竟端侧的算力很小、内存有限，各种约束都非常严苛，要做好是非常困难的。另外，产品化能力也非常关键。现在单靠模型领先已经无法持续保持竞争优势，需要通过底层基础设施、产品设计、品牌建设以及模型能力的结合，来更大程度地延长模型的“保鲜期”。

虽然面壁正在同步将商业优势、生态优势、品牌优势等单一优势转化为综合性优势，但作为创业公司，如何避免被大厂围剿仍是一个现实问题，李大海对此较为乐观。

他解释道，大厂不会放弃通用且规模巨大的市场，因此竞争激烈。相比之下，端侧是另一个重要方向。“端侧包含非常多不同的终端，每个终端面向的应用场景各不相同，因此它不是一个统一的市场，创业公司有更多机会去切入不同细分领域，而不需要像大厂那样争夺整个市场。”背后的逻辑是：端侧市场分散且长尾，同时存在许多高价值的应用场景，这正是创业公司在初期更适合重点攻克的领域。

此外，终端本身就是高度差异化的，涵盖了各种各样的类型。刘知远强调，面壁关注的是终端发展的核心需求：高效，即用尽可能少的参数实现尽可能强的能力。“从商业角度来看，面壁不会去和很多厂商打阵地战，这种做法在创业阶段并不聪明。这是一个蓝海市场，没有必要在这方面过多纠结。”

李大海也补充称，即使是在同一个领域内，要解决的客户或用户问题也是非常多样化的。同一个领域并不意味着大家一定是你死我活的竞争关系。尤其端侧市场，覆盖了非常多应用场景，能够容纳很多创业公司，让大家都有良好的发展空间。

内部的“一人公司”趋势

另外，一个值得关注的现象是，面壁内部也逐渐出现了“one person company（一人公司）”趋势。

面壁内部过去十个月一直在推动全公司的 AI 原生计划。不到两百人的团队，在十个月内写了 2000 万行代码。如果按传统方式手写，这些大概需要 700 人才能完成。

其中，团队中最核心、最重度投入的一位员工，一个月就写了 65 万行代码，他把核心系统接入 AI，并重构了一遍。“未来的企业，尤其是 AI 企业，一定会是高度 AI 赋能的，也就是我们所说的 AI Native 模式。”刘知远说道。

小团队甚至个人都可以完成过去需要团队数月才能完成的工作，这是一个非常明显的发展趋势。面壁目前就在朝这个方向发展，这种模式和以往的大公司有很大的不同。

雷升涛解释，面壁内部对“AI Native”的定义包括两个方面：第一，接到任务后，第一反应是能否用 AI 来完成；第二，如果任务原本人来完成的，那么用 AI 完成后，能否做得更好。他表示，AI 已经渗透到面壁业务的各个层面，它不仅被广泛使用，还深刻地影响了大家的思维方式、工作模式乃至协作方式。

这也反映在了面壁招人的具体要求中。李大海表示，面壁一直希望能够吸引 AI 原生的人才，即在思考和解决任何问题时，都能够将 AI 能力视作自身的内在工具去应用。这背后反映的，是人才是否具备发现问题和提出问题的能力，这一点在如今时代尤为重要。同时，他们还需要能够利用 AI 快速解决问题，并具备足够强的判断能力，去评估工具产出的结果是否高质量。

“一个公司的核心竞争力，很大程度上取决于人才的密度和质量。换句话说，所谓 AI 原生，不只是态度上愿意使用 AI，更重要的是通过这个过程展现出个人的综合能力。”李大海说道。

走向 AGI 的两条发展主线

对于未来端侧智能的发展，面壁形成了一个明确判断：端侧与云端的协同，将成为未来长期存在的主流形态。

无论是豆包手机、具身智能，还是引发广泛关注的 OpenClaw，这些爆火的案例都在验证一个趋势：智能终端正在成为大模型能力向用户延伸的重要载体。刘知远认为，这些探索共同指向一个核心愿景：大模型将越来越贴近用户。

但从现实情况来看，大部分产品目前仍主要依赖云端模型运行，由此带来了反馈延迟、隐私保护和安全性等一系列问题。因此，这一方向虽然正确但还不成熟，它只是这场大戏的序幕，甚至连序幕的开端可能都刚刚开始。

面壁判断，随着模型逐步进入物理世界，尤其是在对实时性要求极高的任务中，端侧模型将不可或缺。在本地即时处理大量数据、快速做出响应，是端侧模型的核心价值所在，这也是端云协同中，端侧不可替代的意义。

从具体终端形态来看，李大海指出，手机在大模型应用上仍有巨大的拓展空间。目前的探索更多集中在“输出”侧能力，但同样重要的还有“输入”侧。如果手机能够直接感知并理解现实环境，就可以更自然地与用户共享上下文，实现更贴近人类认知方式的交互。但这也意味着更高的技术与工程挑战：在资源受限的终端上实现复杂感知与理解能力，需要更长时间的打磨与更精细的系统优化。

而在另一个同样火热的具身智能领域，行业面临的核心挑战依然是模型的通用性与泛化能力，即能否让同一模型稳定运行在不同类型的本体之上。多模态大模型被普遍视为突破这一瓶颈的关键，为跨场景、跨本体的适应能力提供基础支撑。

在刘知远看来，多模态乃至全模态能力，正是未来多智能体体系的基础。未来将存在大量分布在不同环境中的智能终端，每个终端的感知条件、背景信息各不相同，正是这种差异性，使得终端之间的协同成为必然选择。

他解释道，从结构上看，一个智能体至少可以抽象为三个核心要素：输入 x、输出 y 和模型 m。输入天然是全模态的，人类正是通过多模态感知世界；模型负责思考、推理与决策；输出则作用于物理世界，完成各种具体行为。未来智能体能力的演进，正是围绕这三个要素不断强化与耦合，最终实现真正面向物理世界的智能行动。

在更宏观的层面，刘知远将通用人工智能的发展总结为两条主线：一是智能能力持续增强，二是智能的实现与使用不断变得高效。面壁未来的技术突破，也将围绕这两个方向同步推进。

他进一步判断，在接下来一到两年内，模型的专业能力和与现实世界交互的能力将快速提升，作为智能体，模型将逐步具备更强的自主学习与自我成长能力；当模型能够在特定领域中自主探索与进化后，多智能体协同将成为下一阶段的重要突破，不同智能体将像人类团队一样高效协作，完成单一个体难以完成的复杂任务；更长远来看，模型还将逐步展现出创新与创造能力。

与此同时，智能终端本身也将随之发生变化。“一旦终端侧模型具备自主学习与协同能力，就会形成一个关键基点：每个人都将拥有一个持续成长、越来越懂自己的大模型助手。未来三到五年，这一愿景很可能成为现实。”刘知远说道。

声明：本文为 AI 前线整理，不代表平台观点，未经许可禁止转载。

会议推荐

InfoQ 2026 全年会议规划已上线！从 AI Infra 到 Agentic AI，从 AI 工程化到产业落地，从技术前沿到行业应用，全面覆盖 AI 与软件开发核心赛道！集结全球技术先锋，拆解真实生产案例、深挖技术与产业落地痛点，探索前沿领域、聚焦产业赋能，获取实战落地方案与前瞻产业洞察，高效实现技术价值转化。把握行业变革关键节点，抢占 2026 智能升级发展先机！

今日荐文

你也「在看」吗？