MiniCPM-o 2.6 – 面壁智能开源的多模态大模型，性能媲美GPT-4o-爱论文

MiniCPM-o 2.6是什么

MiniCPM-o 2.6 是MiniCPM-o 系列最新、性能最佳的多模态大模型，具有 8B 参数量。MiniCPM-o 2.6在视觉、语音和多模态直播等多个领域表现出色，达到与 GPT-4o 相当的性能水平。模型支持实时双语语音识别，超越了 GPT-4o 实时识别的表现，支持 30 多种语言。MiniCPM-o 2.6 基于先进的 token 密度技术，处理 180 万像素图像仅产生 640 个 tokens，显著提高推理速度和效率。MiniCPM-o 2.6支持在 iPad 等端侧设备上高效运行多模态直播。

MiniCPM-o 2.6的主要功能

领先的视觉能力：支持处理任意长宽比的图像，像素数可达 180 万（如 1344×1344）。出色的语音能力：支持可配置声音的中英双语实时对话。支持情感/语速/风格控制、端到端声音克隆、角色扮演等进阶能力。强大的多模态流式交互能力：接受连续的视频和音频流，并与用户进行实时语音交互。高效的推理能力：仅需 640 个 token 即可处理 180 万像素图像，比大多数模型少 75%。支持在 iPad 等终端设备上高效进行多模态实时流式交互。易于使用：支持多种推理方式，包括 llama.cpp、ollama、vLLM 等。提供 int4 和 GGUF 格式的量化模型，降低内存使用和加速推理。

MiniCPM-o 2.6的技术原理

端到端全模态架构：不同模态的编码器/解码器用端到端的方式连接和训练，充分基于丰富的多模态知识。全模态直播机制：将离线模态编码器/解码器改为在线版本，支持流式输入/输出，设计时间分割复用（TDM）机制，用在LLM主干中的全模态流处理。可配置的语音建模设计：设计多模态系统提示，包括传统的文本系统提示和新的音频系统提示，确定助手的音色，实现灵活的音色配置。

MiniCPM-o 2.6的项目地址

GitHub仓库：https://github.com/OpenBMB/MiniCPM-oHuggingFace模型库：https://huggingface.co/openbmb/MiniCPM-o-2_6在线体验Demo：https://minicpm-omni-webdemo-us.modelbest.cn/

MiniCPM-o 2.6的应用场景

智能助手：支持中英双语实时对话，情感/语速/风格控制，及语音克隆，提供个性化和自然的交互体验。内容创作：生成详细的图像和视频描述，支持多模态内容生成，帮助内容创作者快速生成高质量的多媒体内容。教育领域：支持多图和视频理解，提供详细的解释和描述，辅助学生学习复杂概念，同时支持语言学习和实时反馈。智能客服：处理用户的文本、语音和图像输入，提供实时响应和多模态交互，提升客户满意度。医疗健康：分析医疗影像，提供初步诊断建议，同时支持多语言对话和情感控制，作为健康咨询助手提供温馨服务。