辽宁防火门胶价格 清华系团队出手！张 4090 即可「爆改」，1.3B小钢炮震撼开源

新智元报道辽宁防火门胶价格

编辑：YHluck

【新智元读】端侧多模态，卷出新天花板。仅1.3B，能反，率翻倍，张4090就能「爆改」。刚刚，清华系团队面壁智能开源了新代「」MiniCPM-V 4.6，再次证明了在端侧AI域，团队已然站在世界前沿。

想象下：你将支笔放进装满水的玻璃杯，用手机拍下照片，然后问它：「这个现象的原因是什么」？

几秒钟后，手机屏幕上出现了「光的折射」的准确回答和原理解释，视觉问答表现惊人：

还有机票识别，文字提取：

整个过程丝滑流畅，没有联网，没有等待云端服务器的响应，不产生天价token账单。

而实现这切的，不是云端某个需要排队等API的千亿参数模型，而是个刚刚开源、仅有1.3B的「小钢炮」——MiniCPM-V 4.6。

5月11日，「国产端侧大模型担当」面壁智能联清华大学、OpenBMB开源社区正式开源了新代端侧多模态大模型MiniCPM-V 4.6。

MiniCPM-V 4.6经发布，立即给1B量多模态模型重新划定了起跑线，给日趋白热化的端侧AI赛道投下了枚重磅炸弹！

它不仅在能上越了 Qwen3.5-0.8B和谷歌Gemma4-E2B-it等同对手，在率上实现了惊人的「反」——参数大，跑得却快。

这波操作，直接破了行业里「小尺寸=阉割版」的常规认知。

MiniCPM-V 4.6用扎实硬核的数据向行业证明：1B模型，也可以是能强悍、足以在端云两栖部署的工业武器。

此外，在尺寸上，MiniCPM-V 4.6是MiniCPM-V系列模型上有史以来参数规模小的模型，只有1B左右，但智能密度却为同尺寸模型范围内，这再次验证了面壁智能在2024年提出并登上Nature子刊的「密度定律」。

根据Artificial Analysis（AA）榜单评测，MiniCPM-V 4.6 1.3B（非理版本）的运行仅消耗5.4M token量，仅为Qwen3.5-0.8B（非理版本，101M）的1/19、Qwen 3.5-0.8B（理版本，233M）的1/43：

Hugging Face：

https://huggingface.co/openbmb/MiniCPM-V-4.6

GitHub：

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

Modelscope：

https://modelscope.cn/models/OpenBMB/MiniCPM-V-4.6

Web Demo：

https://huggingface.co/spaces/openbmb/MiniCPM-V-4.6-Demo

APP Demo：

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

能越，率反

体感是终标准

Talk is cheap，直接上数据。

在多个主流Benchmark上，MiniCPM-V 4.6的表现突出个「反常识」。

论是做通用图文理解、解数学题，还是搞文档OCR，它的Instruct版和Thinking版基本都是乱局，碾压Qwen3.5-0.8B与Gemma4-E2B-it。

在看综实力的Artificial Analysis（AA）榜单上辽宁防火门胶价格，MiniCPM-V 4.6的得分也表现出，先Mistral 3 3B、Qwen 3.5-0.8B等在内的众模型个身位，成为了1B多模态大模型赛道的「新科状元」！

但真正让技术圈潮的，是它的率！

理吞吐量：直接干到1.5倍

拿张4090跑并发，MiniCPM-V 4.6处理清图的吞吐量是Qwen3.5-0.8B 的1.5倍。

什么概念？样的服务器成本，你能扛住过去1.5倍的用户流量。对于SaaS服务来说，这就是赤裸裸的利润。

响延迟（TTFT）：延迟曲线被拉直了！

处理3136²的清大图，它的响延迟比对手快了2.2倍。惊人的是，当图片分辨率暴涨49倍，它的延迟增长居然不到2.5倍。

这条几乎被「拉直」的延迟曲线，意味着你的4090论加载多大的图，用户体感都差不多——个字，稳！

这两个维度共同指向同个结论：MiniCPM-V 4.6用短的视觉序列和小的 KV-Cache，把端侧体感与云侧ROI同时到了新的度。

对端侧产品而言，这意味着流畅；对云端工业场景而言，这意味着同等成本下的吞吐翻倍。

参数大，跑得快，这听起来就像是物理学不存在了。但这背后，是两个非常硬核的架构创新。

技术扒：这率「外挂」是怎么开的？

为什么个比Qwen3.5-0.8B参数大的模型，反而跑得快？

答案藏在MiniCPM-V 4.6的两项核心架构创新里：个是ViT架构创新，另个是4倍/16倍混视觉token压缩率。

ViT架构重构

LLaVA-UHD v4开路

传统ViT（视觉编码器） 在编码图像时，会让大量冗余视觉token路跑程，造成显著的力浪费。

就像个耿直的工人，收到堆视觉Token（图像信息块），不管有用没用、全部拉通处理遍，pvc管道管件胶计量巨大。

而MiniCPM-V 4.6不当「老实人」，采用了面壁智能联清华大学自研的LLaVA-UHD v4技术，在 ViT 内部很早就把没用的Token给优化掉了，提前完成视觉token的压缩，力直接节省约50！

也就是说，仅在图像编码这环节，MiniCPM-V 4.6就比传统ViT路线少跑了半的开销，且能不掉点。

这也是为什么 MiniCPM-V 4.6虽然参数比Qwen3.5-0.8B略大，却在理率上实现反的根本原因。

具体是怎么做到的？

主要是LLaVA-UHD v4围绕两个向做了优化：如何地看清大图，以及如何早地减少视觉Token带来的计负担。

是「切片大法」：不傻乎乎地处理整张清大图，而是先切成小块，分而之。这样Attention计量就不会随分辨率指数爆炸。MiniCPM-V 4.6的研究团队做了不同尺寸和不同数据量的模型试验，证明切片相比于全局编码不掉点——这实际是个「反常识」的技术突破。

二是「提前压缩」：关键的步。在ViT刚开始工作没多久，就用个精巧的压缩模块（Intra-ViT Early Compressor）把Token数量压下来。这样来，后续ViT层的计开销节省75+。

LLaVA-UHD v4 论文链接：https://huggingface.co/papers/2605.08985

通过这设计辽宁防火门胶价格，视觉Token压缩可以稳定地前移到 ViT 浅层，在大幅降低后续计量的同时，仍然保持较好的图像表征质量和下游任务表现。

这就是MiniCPM-V 4.6「率反」的秘密武器：在耗力的环节，只干该干的活。

4倍/16倍混压缩

给足开发者选择权

视觉token压缩率，影响的是显存占用、响延迟、理吞吐、功耗这些核心率指标，压缩率越，响应速度就越快。

市面上的多模态大模型，大部分都焊死在了固定的4倍压缩上。而MiniCPM-V系列从2024年起就率先支持16倍压缩，此前支持在4倍/16倍中二选，但这次MiniCPM-V 4.6实现了鱼和熊掌可兼得：

4倍模式（精度）：适要求识别任务，如文档解析、密集文字识别等。跑文档识别、医疗影像这种任务，个像素都不能错。

16倍模式（速度快）：跑手机端实时交互、云端并发API，速度就是生命线。

这个设计，让同个模型既能塞进手机里做你的随身AI，又能部署在云端扛住千万日活。两全其美，开发者便需做取舍。

这可不是PPT技术。快手的荐大模型OneRec，扛下主场景25的流量，就采用了MiniCPM-V系列模型。16倍压缩的工业实战能力，已经被真金白银验证过了。

论文地址：

https://arxiv.org/abs/2502.18965

只需张 4090

为「魔改」而生的开源生态

技术再牛，部署和微调不行、开发者照样不买账。

面壁智能这次直接把开发者体验拉满了。

炸裂的点是：张消费的RTX 4090，就能完整跑下全量微调！

这意味着什么？论是立开发者、小团队还是学术圈，多模态模型的定制化开发，都能用得起MiniCPM-V 4.6，门槛从「服务器集群」直接降到了「台能PC」。这才是真正的AI普惠！

配套的工具链也安排得明明白白！

MiniCPM-V 4.6实现了与当前主流开源生态的缝对接，让开发者告别繁琐的环境配置：

微调：原生支持火的LLaMA-Factory和ms-swift——

微调框架

LLaMA-Factory：

MiniCPM-V-CookBook/finetune/finetune_minicpmv46_zh.md at main · OpenSQZ/MiniCPM-V-CookBook

ms-swift：

MiniCPM-V-CookBook/finetune/finetune_minicpmv46_zh.md at main · OpenSQZ/MiniCPM-V-CookBook

理：vLLM、SGLang、llama.cpp、Ollama全桶缝衔接——

理框架：

vLLM：

https://github.com/OpenSQZ/MiniCPM-V-CookBook/blob/main/deployment/vllm/minicpm-v4_6_vllm_zh.md

SGLang：

奥力斯    泡沫板橡塑板专用胶报价    联系人：王经理    手机：18232851235（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

https://github.com/OpenSQZ/MiniCPM-V-CookBook/blob/main/deployment/sglang/minicpm-v4_6_sglang_zh.md

llama.cpp：

https://github.com/OpenSQZ/MiniCPM-V-CookBook/blob/main/deployment/llama.cpp/minicpm-v4_6_llamacpp.md

Ollama：

https://github.com/OpenSQZ/MiniCPM-V-CookBook/blob/main/deployment/ollama/minicpm-v4_6_ollama_zh.md

低的显存占用、的并发吞吐量、完备的上下游工具链——可以说MiniCPM-V 4.6天生就是为了被「魔改」而生，是开发者用于构建并发计、速响应的垂直应用的价比多模态底座。

它把硬核的底层优化做完，把灵活的改造空间留给了社区。

附端侧部署指南：

https://github.com/tc-mb/MiniCPM-V-edge-demo/blob/main/README_zh.md

从「被抄袭」到「定义者」

端侧 AI 的叙事

从2024年4月的V 2.0起，MiniCPM-V已经走过了6代。

截至2026年3月，MiniCPM-V系列在开源社区累计下载量已接近3000万，多次霸榜GitHub Trending与HuggingFace趋势榜。

在产业落地端，已先后服务于联想、吉利、上汽大众、广汽、马自达、红旗等厂商，覆盖汽车、PC、手机、智能居等多场景。

回顾面壁智能的MiniCPM-V系列，你会发现条非常清晰的进化路径——追求致的「智能密度」。

也就是，用小的代价，干智能的事。

从2024年面壁智能密度定律登上《Nature子刊》，到MiniCPM-V2.5被斯坦福研究团队「套壳」引发全球关注，再到今天MiniCPM-V 4.6用1.3B模型重新定义端侧率，面壁智能已经变成端侧AI赛道的大「定义者」。

MiniCPM-V 4.6的发布，不只是个强的模型，是个信号：端侧AI的「妥协」时代，正在结束。

MiniCPM-V 4.6证明了：1B多模态模型可以又强又快又省，也可以同时担任端侧佳基座和云端并发利器。

面壁在做的事情，从来不是卷参数、卷榜单。

他们在用种近乎偏执的式，把AI能力塞进每块你能想到的屏幕里——手机、平板、车载屏、智能居面板、工厂质检终端……凡是有屏幕、有芯片的地，都是他们想覆盖的场景。这便是所谓「智周万物」。

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。