MiniCPM-o 4.5 - 面壁智能开源的 9B 全模态旗舰模型

MiniCPM-o 4.5是什么

MiniCPM-o 4.5 是面壁智能开源的 9B 全模态旗舰模型，以“边看边听主动说”的端到端架构，在手机端即可跑出 GPT-4o 级体验：支持单图、多图、高帧率长视频、实时语音双工对话，首 token < 2 s，解码 17 tokens/s；INT4 量化后 5 GB 显存可跑，已适配昇腾等 6 款国产芯片，推理再提速 7-22%。3 秒语音克隆、1 Hz 主动交互、OCR 与文档理解全线 SOTA，OpenCompass 全模态榜 77.6 分超越 GPT-4o。Apache 2.0 协议，GitHub、Ollama 一键即用，端侧商用零门槛。

MiniCPM-o 4.5的功能特色

全模态交互能力：MiniCPM-o 4.5是行业首个实现“边看、边听、主动说”的全模态大模型，突破传统“一问一答”的交互模式，支持实时感知视觉、音频和文本信息，在输出过程中持续保持对环境的感知，实现类人自然的交互体验。
全双工架构：采用原生全双工多模态实时流机制，模型在生成语音或文本输出的同时，能同步接收和处理视觉、音频输入，避免了传统模型在输出时对外界感知的中断，确保信息感知不丢失。
高能效比与端侧部署：仅9B参数规模，在全模态理解、视觉理解、文档解析、语音生成等任务上达到SOTA水平，具备低显存占用、快速响应的特点，适合在端侧设备（如智能眼镜、机器人、车机等）部署，实现本地化推理。
语音生成与克隆：支持自然、情感饱满的语音生成，显著提升音色拟人度和长语音合成稳定性，提供声音克隆功能，可通过少量样本定制个性化音色，用于角色扮演等场景。
跨平台兼容性：已在GitHub、Hugging Face等平台开源，支持多种推理框架（如LLaMA.cpp、vLLM等），可在天数智芯、华为昇腾、平头哥等多款芯片上实现端到端推理，降低部署门槛。

MiniCPM-o 4.5的核心优势

原生全双工，对话“不卡顿”：业内首个端到端全双工架构，毫秒级时分复用，边说边听边看边回，彻底告别“对讲机”式回合制。
9B 参数密度拉满，性能越级：OpenCompass 全模态评测 77.6 分，直接超越 GPT-4o 与 Gemini 2.0 Pro；OCR、文档解析、视频理解全线 SOTA。
1 Hz 主动交互，AI 先开口：每秒 1 次环境扫描，看见/听见变化可主动提醒，实现“类人”式插话与实时评论。
超拟人语音，3 秒克隆：端到端 CosyVoice2 方案，长语音音色一致、情感自动匹配；几秒参考音频即可复刻任意角色，支持中英双语实时对讲。
端侧“小钢炮”，8 GB 可跑：INT4 量化后 < 5 GB 显存，iPhone 16 Pro Max 首 Token < 2 s，解码 17 tokens/s；提供 16 种 GGUF 与 Ollama/llama.cpp 一键包。
6 大国产芯片“发布即适配”：基于 FlagOS 统一栈，昇腾、天数、平头哥、海光、沐曦等端到端推理平均提速 7.8 %–22 %，业界首次实现跨芯规模化落地。

MiniCPM-o 4.5官网是什么

GitHub仓库：https://github.com/OpenBMB/MiniCPM-o
HuggingFace模型库：https://huggingface.co/openbmb/MiniCPM-o-4_5
在线体验Demo：https://huggingface.co/spaces/openbmb/minicpm-omni

MiniCPM-o 4.5的适用人群

端侧开发者 / 嵌入式工程师：9B 量化＜5 GB，树莓派、RK3588、iPhone 16 Pro 立等可跑；llama.cpp-omni、Ollama 一键包，5 分钟把全模态能力塞进自家硬件。
视障与银发辅助 App 团队：1 Hz 主动扫描＋环境声事件检测，可“看见台阶就提醒、听见公交报站即复读”，已落地盲人导航、跌倒报警场景。
教育 / 出版 SaaS：OCR+文档理解 SOTA，试卷、图表、多栏 PDF 秒级结构化；3 秒克隆教师音色，自动生成带情感讲解的微课音频。
短视频 & 直播运营：高帧率长视频端到端理解，2-3 min 素材一次喂入即可生成时间轴级摘要、金句切片和配音，剪辑效率翻倍。
客服与语音交互厂商：全双工毫秒级对讲，打断、插话、情绪识别原生支持；中英双语实时 TTS，直接替换闭源 GPT-4o 语音 API，成本降 90%。