%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
在人工智能的持續發展中，最近一款新模型 MiniCPM-V4.0引起了廣泛關注。該模型是 MiniCPM-V 系列的最新版本，具有4.1億參數，基於 SigLIP2-400M 和 MiniCPM4-3B 進行構建。與之前的版本相比，MiniCPM-V4.0在單圖、多圖及視頻理解方面表現出色，並且在效率上有了顯著提升。
MiniCPM-V4.0以其強大的視覺能力而自豪。在衆多評測基準中，該模型在 OpenCompass 的綜合評估中取得了69.0的平均分，超越了 GPT-4.1-mini-20250414、MiniCPM-V2.6（8.1億參數，得分65.2）和 Qwen2.5-VL-3B-Instruct(3.8億參數，得分64.5)。在多圖理解和視頻理解領域，它也展現了良好的性能。
針對移動設備的設計是 MiniCPM-V4.0的一大亮點。該模型在 iPhone16Pro Max 上運行順暢，首次響應延遲不到2秒，解碼速度超過每秒17個 token，且沒有發熱問題。即便在高併發請求下，它也表現出優越的吞吐能力。
爲了讓更多用戶輕鬆上手，MiniCPM-V4.0提供了多種使用方式，包括與多種平臺兼容的工具，如 llama.cpp、Ollama、vLLM 等。爲了更好地服務用戶，開發團隊還開源了一款可以在 iPhone 和 iPad 上運行的 iOS 應用，幫助用戶輕鬆上手。配套的 Cookbook 也提供了詳細的使用指南和實用示例，進一步簡化了操作過程。
項目:https://huggingface.co/openbmb/MiniCPM-V-4
劃重點:
🌟 MiniCPM-V4.0在 OpenCompass 評測中得分69.0，超越多款同類模型。
📱 該模型專爲移動設備設計，響應快且無發熱問題。
📚 開源 iOS 應用及詳細使用指南，讓用戶更輕鬆上手。
