如果说 2023 年是生成式 AI 爆发的元年，那么各路厂商今年难得一见地达成了共识——全力押注端侧大模型。

过去一年，由于 6B、7B 等小模型的成果井喷，以及 MoE 训练技术的越发成熟，将模型跑在手机、学习机、平板电脑、机器人甚至汽车等等终端应用上的想象力开始变大，无论算法层还是硬件层都「蠢蠢欲动」。诚然，这已经成为一个明朗的行业方向，但在系统整合上却要面临不同话语体系之间的博弈。

下面这张图反映了在全球范围内，小参数、高性能的多模态大模型已经成为趋势。

图注：OpenCompass 榜单变化显示，小参数、高性能模型逐渐成为 AI 技术趋势

昨日，「面壁智能」推出了最强端侧多模态开源模型 MiniCPM-Llama3-V 2.5。 仅用8B参数，击败了OpenAI的 GPT-4V 和谷歌的 Gemini Pro，而且，其 OCR 长难图识别刷新SOTA，图像编码速度暴涨150倍，成为全球最强端侧多模态模型！

总结一下，MiniCPM-Llama3-V 2.5的主要特点和优势：

• 多模态能力飞升：参数规模仅 8B，综合性能却超越谷歌的多模态巨无霸 Gemini Pro 与 OpenAI 的 GPT-4V；
• OCR 能力 SOTA：能够精准识别长图、难图与长文本，9 倍像素更清晰，同时具备识别与推理能力；
• 手机端突破：首次整合 NPU 和 CPU 加速框架， 对手机端多模态大模型进行系系统级加速，速度提升 150 倍；
• 多语种能力：支持 30 多种语言，除了中英双语，还包括法语、德语、西班牙语等等主流语言，基本覆盖了一带一路的所有国家；

MiniCPM-Llama3-V 2.5开源地址：https://github.com/OpenBMB/MiniCPM-V

MiniCPM系列开源地址：https://github.com/OpenBMB/MiniCPM

Hugging Face下载地址：https://huggingface.co/openbmb/MiniCPM-Llama3-V-2_5

1. 最强端侧多模态 SOTA 诞生：「以小博大」的 MiniCPM-Llama3-V 2.5

MiniCPM-Llama3-V 2.5 在评测平台 OpenCompass 得分 65.1，不仅比肩闭源模型 Qwen-VL-Max，综合性能还力压重量级选手 GPT-4V 和 Gemini Pro。

OCR（光学字符识别）是多模态大模型最重要的能力之一，也是考察多模态识别与推理能力的硬核指标。

在 OCR 综合基准测试中，MiniCPM-Llama3-V 2.5 取得了 725 分的SOTA成绩，远超 GPT-4V，越级超越了Claude 3V Opus、Gemini Pro等标杆模型。

图注：模型雷达图，MiniCPM-Llama3-V 2.5 综合能力水平全面优秀

OCR 技术进一步打磨，复杂推理与多模态识别能力再进化，MiniCPM-Llama3-V 2.5 对于难图、长图、长文本的精准识别，再度带来出众表现！

依托于面壁自研高清图像高效编码技术，MiniCPM-Llama3-V 2.5 支持高效编码及无损识别 180 万高清像素图片，并且支持任意长宽比——即便是 1:9 的极限比例图像，突破了传统技术仅能识别20万像素小图的瓶颈。

在评估多模态大模型性能可靠性的重要指标——幻觉能力上，MiniCPM-Llama3-V 2.5 在Object HalBench榜单上超越了GPT-4V等众多模型（注：目标幻觉率应为0）。

RealWorldQA 基准测试是一场检验模型现实理解力的大考。

在RealWorldQA榜单上，MiniCPM-Llama3-V 2.5 交出了 63.5 的答卷，仅次于 InternVL-Chat-V1.5 （26B），再次超越GPT-4V和Gemini Pro。

2. 快150倍！多语种能力增强！端侧高效部署！

2.1 支持30+多种语言

面壁 MiniCPM-Llama3-V 2.5 的另外两项优势体现在多语种能力与端侧部署加速上。

得益于 VisCPM 的跨语言泛化技术，在中英双语多模态能力的基础上，MiniCPM-Llama3-V 2.5 仅通过少量翻译的多模态数据的指令微调，高效泛化支持了德语、法语、西班牙语、意大利语、俄语等 30+ 种语言的多模态能力，几乎覆盖了所有一带一路的国家，意味着全球上百个国家的数十亿人口，都能与 MiniCPM-Llama3-V 2.5 丝滑交互。

在对话中，MiniCPM-Llama3-V2.5 表现出了良好的多语言多模态对话性能。

与目前国内较为领先的零一万物多模态模型 Yi-VL 34B 为参照，多语言版本 LLaVABench 评测结果显示，MiniCPM-Llama3-V2.5 对话能力更胜一筹。

图注：多语言版本LLaVABench评测结果，MiniCPM-Llama3-V 2.5对话能力更胜一筹

图注：多语言案例展示

2.2 图像编码快150倍！端侧高效部署！

首次进行端侧系统级加速，MiniCPM-Llama3-V 2.5已高效部署手机。

在图像编码方面，面壁首次整合NPU和CPU加速框架，在 MiniCPM-Llama3-V 2.5 图像编码方面实现了 150 倍加速提升。

举例来说，Llama 3 语言模型在手机端侧的解码速度在 0.5 token/s 上下，而多模态模型 MiniCPM-Llama3-V 2.5 经过 CPU 等多重优化方式，使得在手机端的语言解码速度提升到 3-4 token/s。

参考：
https://github.com/OpenBMB/MiniCPM-V

欢迎各位关注我的个人微信公众号：HsuDan，我将分享更多自己的学习心得、避坑总结、面试经验、AI最新技术资讯。