2B参数！国产“小钢炮”模型开源，打赢12B谷歌Gemma 4

智东西
作者 杨京丽
编辑 李水青

智东西9月8日报道，今日，北京端侧大模型独角兽面壁智能联合OpenBMB开源社区，开源新一代端侧语言基座模型MiniCPM5-2B。该模型参数规模为2B，支持工具调用、深度搜索、代码生成等任务，已完成英特尔、瑞芯微、Arm等芯片或计算平台的首日适配。

评测机构Artificial Analysis榜单显示，该模型以23分位列全球4B以下开源模型第一，智能密度高于Qwen3.5 9B和参数规模约为其6倍的谷歌Gemma 4 12B模型。在智能体指标Agentic Index上，MiniCPM5-2B得分为20分、同级模型均低于10分。

面壁智能称，MiniCPM5-2B在2B参数规模上初步展现出通用Agent能力雏形，随着端侧Agent能力持续提升，其在办公和生活场景中的使用成本有望进一步降低。

除模型权重外，面壁智能还开源了其自研强化学习框架Meshy、基于奖励的强化学习策略JustRL II，以及完整训练配方、强化学习框架与配套数据集，为开发者提供可复现、可验证的技术路径。截至2026年8月，MiniCPM系列开源模型全球下载量已突破5000万次。

MiniCPM5-2B开源地址（含模型与UltraData系列数据）

HuggingFace：

https://huggingface.co/collections/openbmb/minicpm5

GitHub：

https://github.com/OpenBMB/MiniCPM

Meshy框架开源地址及博客：

https://github.com/OpenBMB/Meshy

https://maydomain.notion.site/meshy-blog-zh

JustRL II强化学习算法博客：

https://panhaoxuan.notion.site/justrl-ii-small-llms-to-128k-reasoning-with-a-critic-cn

一、4B以下开源模型第一，超过Gemma 4等参数规模更大模型

据Artificial Analysis评测结果，MiniCPM5-2B的综合能力得分为23分，位列全球4B参数以下开源模型第一，得分超过Gemma 4 12B、Qwen3.5 9B以及各大主流3B-4B级别的模型。

在智能密度方面，MiniCPM5-2B以2B的参数规模，取得了高于4B级开源模型的智能得分。与相关对比模型相比，其参数量约为一半，智能得分接近两倍，体现出较高的参数利用效率。

在推理输出方面，MiniCPM5-2B消耗21k Token（1.4k思考+7k答案），对应智力得分23分。相比之下，Granite 4.2 3B消耗约19k Token（12k思考+7k答案），智力得分为14分；LFM2.5-2.6B消耗21k Token（14k思考+7k答案），得分为11分。

以1000分为人类基线，MiniCPM5-2B在真实任务评测中获得891分，居于4B以下模型榜首，同时远高于参数规模约为其6倍的Gemma 4 12B（647分），更接近人类水平。

此外，在面壁智能公布的34项基准评测中，MiniCPM5-2B平均得分为53.9分，在该组对比模型中排名第一，超过Qwen3.5-4B等参数规模更大的模型。评测覆盖代码推理、数学推理、指令遵循、综合知识、长文本、工具调用和Agent任务等方向。

二、开放强化学习框架、训练配方等，接入主流开发工具链

随着MiniCPM5-2B开源，面壁智能与OpenBMB还开源了其自研强化学习框架Meshy与基于奖励的强化学习策略JustRL II。

在训练框架侧，Meshy取消了中央控制器和Ray依赖，将训练、推理、奖励计算等环节组织为对等服务，通过TransferQueue中的数据就绪状态驱动流程，支持在同步、异步和全异步三种训练模式之间切换，便于扩展。

为解决长思维链强化学习中的数据质量与信用分配问题，MiniCPM团队提出了JustRL II：数据上，通过三阶段流水线筛选和校准训练数据；算法上，为GRPO引入Critic，实现词元级信用分配。据面壁智能介绍，JustRL II使MiniCPM5-2B在强化学习后训练中获得了显著的性能收益。

同时，面壁智能与OpenBMB还同步开放模型背后的训练配方、框架与数据，为开发者复现训练过程、开展微调及应用适配提供支持。

目前，MiniCPM5-2B已接入主流开发工具链，并适配多种模型开发与部署工具。

模型训练与微调方面，MiniCPM5-2B支持LlamaFactory、ms-swift等工具；在推理部署上，支持SGLang、vLLM、llama.cpp、Ollama、Hugging Face Transformers等主流框架，并兼容面壁智能自研的Arclight CPU推理框架。开发者可根据设备类型、算力条件和应用需求选择部署方案。

三、英特尔、瑞芯微、Arm平台完成首日适配

为加速产业落地，MiniCPM5-2B已与英特尔、瑞芯微、Arm等多家芯片或计算平台厂商完成了Day0首日原生适配。

在英特尔平台上，团队依托酷睿Ultra系列CPU、GPU和NPU异构计算资源，以及OpenVINO工具套件，对算子、图融合和内存调度进行优化，支持开发者在AI PC上进行本地部署。

在瑞芯微平台上，MiniCPM5-2B可基于RK3588与RK1828双芯平台部署，通过RKNN3工具链完成模型量化和算子优化，支持推理、工具调用、深度搜索和代码生成等任务。

在Arm平台上，该模型已适配启用第二代可伸缩矩阵扩展技术SME2的Armv9移动设备。据面壁智能披露的测试结果，相关优化使预填充与解码阶段的性能分别达到对照条件下的约1.7倍和1.2倍。

结语：端侧基座模型探索Agent落地

MiniCPM5-2B将端侧基座模型的能力探索进一步延伸至Agent任务，并通过训练方法开源、硬件适配和工具链支持，为开发者开展端侧应用提供基础。

后续值得关注的是，这类端侧模型能否在有限的算力与内存下，稳定完成工具调用、搜索和代码生成等任务，并在任务效果、响应速度与功耗之间取得平衡，让评测中的能力优势转化为日常使用中的实际价值。