她來了！如 GPT-4o 般影片語音絲滑互動，驚豔世界！只不過，這次是在端上，僅 8B 引數。
全新一代面壁小鋼炮 MiniCPM-o 2.6，全模態、端到端，宣告著端側 GPT-4o 時代到來！
身形迷你，卻擁有磅礴能量—— 除了近於 GPT-4o 的高超基準成績，新一代小鋼炮還在「真影片、非照片大模型」等多方面達到以端勝雲的水平。而即時流式的音視訊通話，讓她可以持續看、即時聽、自然說，情感細膩、惟妙惟肖，彷彿把科幻電影中的「Her」從雲請到端，成為生活中聊得來的好朋友。
MiniCPM-o 2.6 開源地址：GitHub: https://github.com/OpenBMB/MiniCPM-o
Huggingface
一、GPT-4o 首上端，全模態、全 SOTA
2024 年 5 月，GPT-4o 的“全模態即時流式影片理解 + 高階語音對話”驚豔全球，半年多後， MiniCPM-o 2.6 成功讓「即時全模態 GPT-4o」跑在了端側，繼續捅破端側多模態、全模態能力天花板。
超預期！僅 8B 的端側模型，一舉收穫音、視、聽「鐵人三項」全 SOTA：
MiniCPM-o 2.6 取得即時流式全模態開源模型 SOTA，效能比肩代表全球最高水平的 GPT-4o、Claude-3.5-Sonnet；在語音方面，取得理解、生成開源雙 SOTA，問鼎最強開源語音通用模型；在一貫優勢凸顯的視覺領域，穩坐最強端側視覺通用模型。
在評估全模態模型音影片能力的多個榜單上，MiniCPM-o 2.6 能力全面且優秀
在即時流式影片理解能力的代表榜單 StreamingBench 上，MiniCPM-o 2.6 效能驚豔，比肩 GPT-4o、Claude-3.5-Sonnet。
即時流式影片理解能力比肩 GPT-4o、Claude 3.5 Sonnet。注：GPT-4o API 無法同時輸入語音和影片，目前定量評測輸入文字和影片
在語音理解方面，超越 Qwen2-Audio-7B-Instruct，實現通用模型開源 SOTA（包括 ASR、語音描述等任務）；在語音生成方面，MiniCPM-o 2.6 超越 GLM-4-Voice 9B，實現通用模型開源 SOTA。
音訊理解能力 SOTA，超越 Qwen2-Audio 7B
自發布以來，小鋼炮多模態系列一直保持著最強端側視覺通用模型的紀錄。光榮再續，MiniCPM-o 2.6 視覺理解能力也達到端側全模態模型最佳水平。
視覺理解能力 SOTA，超越 GPT-4o、Claude-3.5-SonnetOpenCompass 榜單
二、持續看，即時聽，自然說 ，即時流式端到端
為什麼我們常常對 AI 味兒避之不及？因為感覺假、和真實的世界隔著一層，而我們總是在渴求被看見、被傾聽、暢快交流，尋求和世界上的另一位靈魂的同頻共振。
電影中的 Her 滿足了這種「靈魂伴侶」的想象，而新一代小鋼炮 MiniCPM-o 2.6 則憑藉類似 GPT-4o 的全模態即時流式影片理解與高階語音對話, 有望讓她來到端、來到離每個人更近的地方—— 持續看、即時聽、自然說，開啟即時流式、端到端的絲滑交流。
1、真影片，不是照片大模型
就像一陣風，GPT-4o 釋出後，視訊通話也火了。立於端側、卻率先「睜眼看世界」的小鋼炮發現，影片和影片不一樣――
市場上主流「音視訊通話」模型，實際上只能算作靜態的「照片大模型」：僅在使用者提問後才開始對影片進行一幀或極少數幾幀畫面的抽取，無法捕捉使用者提問之前的畫面，缺乏對前文情境的感知。
而真正的影片大模型，則能夠感知使用者提問之前的畫面和聲音，並持續對即時影片和音訊流進行建模，這種方式更貼近人眼的自然視覺互動。
而面壁小鋼炮在上一代 MiniCPM-V 2.6 釋出時，在影片能力上即已達到。
有了全方面的觀察，才能匯出正確的推理思考。在三仙歸洞、記憶卡牌等遊戲中，新一代小鋼炮的觀察力可以說是明察秋毫，點滴細節不錯過，能猜出遊戲中小球藏到了哪個杯子，還能記住翻牌遊戲中相似圖案卡片的細節、位置，神奇極了！
2、即時聽， 真流暢，能聽懂 GPT-o 聽不到的背景聲音
我們的世界存在著各種各樣的萬物聲音，這是我們和大自然互動的樂趣所在。
除了說話的聲音，像翻書、倒水、敲門聲等，向我們訴說著動作與場景，流淌著豐富的生活細節。這些 GPT-4o 一聽就直呼放棄的環境聲音，小鋼炮也能一一明晰。彷彿大模型裡的鑑音師。
3、自然說，帶感情，即時打斷不迷糊
當我們聊天，渴望觸探的不只是語言，還有話語背後的情緒，一些貼近心靈的表達。
“Her” 中能和人類有情感自然對話的 AI 助手令人印象深刻，繼 GPT-4o 的高階情感語音對話模型後，MiniCPM-o 2.6 同樣對此進行了生動的演繹，並且，即使中間打斷也能接著聊—— 相談如此甚歡，甚至會忘記她是 AI。
MiniCPM-o 2.6 在高階情感語音方面，總體有以下特徵：
-
真人質感的語音生成能力，達到開源通用模型最佳水平； -
低延遲、可即時打斷，如真人交談般自然 -
具備情感與語氣表達：支援可控語音生成（情感、音色、風格控制） -
可語音模擬定製：支援語音克隆，以及基於語言描述的聲音建立等
在實際體驗中，MiniCPM-o 2.6 答得機靈、說得動聽，在對話中常有惟妙惟肖的機智表達：時而霸總附體、時而可愛萌新，時而大秀方言：用四川話教你吃火鍋，廣東話給你賀新年，令人忍俊不禁。
此外，她還能聲音克隆，各種情感、音色、風格，信手拈來，如同配音大師！
和她講話，如同和好友聊天，即時打斷也不迷糊：中間插嘴、岔事兒，也不耽誤酣暢淋漓地聊完全程。
此外，MiniCPM-o 2.6 作為更高技術的端到端模型，資訊輸入輸出都原汁原味，避免了傳統“語音轉文字，再轉語音”方案因中間反覆資訊翻譯，而導致的速度慢、資訊流失風險，可以捕捉語氣、情緒等更豐富的資訊。高效能低延遲、更加自然連貫、更強上下文理解、隨時打斷、抗噪能力等，這些端到端模型的傳統優勢，小鋼炮都具備！
四、端側優勢，全力釋放
面壁智慧為何押注端側大模型？
一是因為端側模型具備隱私性好、更可靠、響應快、不懼弱網斷網環境等優勢。
二是因為我們看到了端側大模型更早、更快落地的潛力。
MiniCPM-o 2.6 視、聽、說全模態的諸多特性，即時的影片流、自然語音互動，接近人類的多模態認知、理解、推理能力，在端側具有肉眼可見的巨大潛力。
在智慧座艙場景中，全天候全地域，可以進行艙內控制、艙外識別、智慧巡航，或是化身旅遊嚮導、貼身翻譯，在戈壁山野中勇闖天涯；教育場景中，前所未有的沉浸式學習體驗，特別是跟虛擬現實或增強現實技術結合使用；商務場景中，為國際會議和多語言環境提供即時翻譯服務，個人旅行者能夠與不同語言的本地人無障礙溝通；特殊人群服務，可以為聽障人士提供即時語音到文字的服務，為老年人提供日常陪伴和情感支援，乃至單身人士的高質量虛擬伴侶；客服和營銷，高質量的自然語音互動，客戶服務的響應速度和質量，超級逼真和擬人，機器的人效無限接近真人….這一切居然都將能夠在端側實現。
進入 2025 年，大模型規模定律（Scaling Law ）面臨訓練資料和計算資源方面的可持續發展問題，但規模定律並非預測大模型發展的唯一視角。面壁團隊提出大模型密度定律（Densing Law）—— 模型能力密度隨時間呈指數級增長，實現相同能力的模型引數每 3.3 個月（約 100 天)下降一半 ，並且模型推理開銷隨時間指數級下降，以及模型訓練開銷隨時間迅速下降。
根據大模型的密度定律預測，在通往 AGI 的道路上，大模型能力密度不斷提升，大約每 3.3 個月翻一番，模型推理開銷、訓練開銷隨時間快速下降到大規模應用臨界水平。當模型在同一引數量上能釋放更強的智慧，訓練和推理成本持續下降，晶片在同樣的面積/功耗上，算力能支撐更大的模型，雙向驅動下，大模型就能執行在各類終端上。
原來只在雲端的「全能大模型」擴散到裝置端，既是大模型增效挖潛、不斷降低訓練和推理成本，提升同一引數量上的智慧水平，大模型走向科學化、可持續發展的技術趨勢；更是一種自發的市場趨勢，有著深刻的技術普惠，大模型的能力正在迅速傳導到需求端，以精準的技術-產品 PMF 填滿市場窪地。2024 年端側 AI 硬體成為科技創業大風口，AIPC、AIPhone、AI 眼鏡等 AI+ 硬體迅速爆發，即是這一趨勢的最佳驗證。
正如面壁智慧 CEO 李大海在剛剛過去的 2025 CES 所言：「大模型正在走向「無所不能」和「無處不在」。我們篤信大模型將「無處不在」，特別是成本更低、尺寸更小、效率更高的端側模型。 面壁智慧的工作就是聚焦端側模型，我們的願景所有的裝置上都會有端側的智慧，都會部署端側的模型。10 年之後，至少有 1000 億硬體會搭載端側智慧，成為擁有人類成年智慧水平的新型智慧人口。」