面壁智能MiniCPM-V 4.5开源：8B参数端侧多模态模型，高刷视频理解与OCR性能超越闭源巨头

💡 站外导读：随着AI应用向边缘设备渗透，端侧模型面临性能、延迟与功耗的平衡难题。面壁智能开源MiniCPM-V 4.5，以8B参数在图片、视频、OCR等领域突破性能边界，尤其在高刷视频理解上实现技术突破，支持混合推理以适配不同场景，为车机、机器人等边缘智能设备提供强大且高效的视觉理解引擎，标志着端侧多模态AI迈入实用化新阶段。

MiniCPM-V 4.5是什么

MiniCPM-V 4.5是面壁智能推出的端侧多模态模型，拥有8B参数。模型在图片、视频、OCR等多个领域表现卓越，尤其在高刷视频理解方面取得突破，能处理高刷新率视频并精准识别内容。模型支持混合推理模式，可平衡性能与响应速度。MiniCPM-V 4.5端侧部署友好，显存占用低，推理速度快，适合在车机、机器人等设备上应用，为端侧AI发展树立新标杆。

MiniCPM-V 4.5的主要功能

• 高刷视频理解：支持处理高刷新率的视频，精准识别快速变化的画面内容，例如在3秒的翻纸视频中识别出每张纸上快速变换的文字。
• 单图理解：在图片理解方面表现出色，能准确识别和分析图像中的物体、场景等信息，性能超越多个大型闭源模型。
• 复杂文档识别：能高效识别和解析复杂文档中的文字、表格等信息，包括手写文字和结构化表格提取。
• OCR功能：具备强大的光学字符识别能力，能准确识别图像中的文字内容，支持多种字体和排版。
• 混合推理模式：支持“长思考”与“短思考”模式，能进行深度分析，且支持快速响应，满足不同场景需求。

MiniCPM-V 4.5的技术原理

• 3D-Resampler高密度视频压缩：将模型结构从2D-Resampler拓展为3D-Resampler，对三维视频片段进行高密度压缩，实现在推理开销不变的情况下接收更多视频帧，达到96倍视觉压缩率，更好地理解动态过程。
• 统一OCR和知识推理学习：通过控制图像中“文字信息可见度”，在OCR和知识学习两种模式之间无缝切换，实现OCR和知识学习的有效融合，提升模型的文字识别和知识推理能力。
• 通用域混合推理强化学习：借助RLPR技术，从通用域多模态推理数据中获得高质量的奖励信号，并用混合推理的强化学习方案，同时提升模型在常规模式和深度思考模式下的性能表现。

MiniCPM-V 4.5的项目地址

• GitHub仓库：https://github.com/OpenBMB/MiniCPM-V
• HuggingFace模型库：https://huggingface.co/openbmb/MiniCPM-V-4_5
• 在线体验Demo：https://101.126.42.235:30910/

MiniCPM-V 4.5的应用场景

• 智能驾驶：实时识别道路标志、交通信号和行人，为驾驶者提供更准确的路况信息，显著提升驾驶安全性和便利性。
• 智能机器人：在家庭或工业环境中，帮助机器人实时感知周围环境，识别物体和人物动作，做出更合理的交互行为。
• 智能家居：用在家庭安防系统，实时监测家庭环境，识别异常行为并及时发出警报，根据环境光线和人员位置自动调节家居设备。
• 教育领域：学生通过拍照或上传图片的方式，让模型识别和解析教材中的图表、公式等，获取详细的解释和辅导，提高学习效率。
• 医疗健康：在医疗领域，快速识别和分析X光、CT等医疗影像中的异常区域，辅助医生进行更高效、更准确的诊断。