面壁智能發佈首款AI端側開發板“松果派”，基於NVIDIA Jetson模組，集成麥克風、攝像頭等多模態接口，適配自研MiniCPM系列模型，旨在讓開發者便捷構建智能硬件。
面壁智能獲數億元融資，將用於端側高效大模型研發與生態建設，鞏固其在邊緣智能領域的領先地位。作爲國內端側大模型先行者，公司已形成從理論到產品的技術閉環，核心產品MiniCPM“面壁小”系列表現突出。
開源AI社區發佈多模態大語言模型MiniCPM-V4.5，專爲智能手機和平板等端側設備優化。該模型僅8億參數，輕量化設計實現高效運行，在OpenCompass評估中獲77.2分，性能領先同類開源模型，爲移動端AI應用開闢新可能。
面壁智能聯合清華大學發佈端側多模態大模型MiniCPM-V4.5，採用SigLIP2-400M視覺模塊與MiniCPM4架構，以更小參數實現更強性能，顯著提升邊緣AI部署效率和應用廣度，推動端側多模態技術發展。
MiniCPM-o 2.6是一個強大的多模態大型語言模型，適用於視覺、語音和多模態直播。
MiniCPM-o 2.6：一款GPT-4o級別，可在手機上實現視覺、語音和多模態直播的MLLM。
高效能的第三代MiniCPM系列模型
高性能多模態語言模型，適用於圖像和視頻理解。
Mungert
MiniCPM4.1-8B GGUF是專為端側設備設計的高效大語言模型，在模型架構、訓練數據、訓練算法和推理系統四個關鍵維度進行了系統創新，實現了極致的效率提升。支持65,536個標記的上下文長度和混合推理模式。
mlx-community
MiniCPM4.1-8B-8bit是基於MiniCPM4.1-8B模型轉換的8位量化版本，專為MLX框架優化，提供高效的多模態語言處理能力
openbmb
MiniCPM4.1-8B-GGUF是MiniCPM4.1-8B模型的GGUF量化格式版本，專為端側設備設計的高效大語言模型，採用80億參數，支持融合思維，在典型端側芯片上可實現超過5倍的生成加速。
MiniCPM4-8B是專為端側設備設計的高效大語言模型，通過模型架構、訓練數據、訓練算法和推理系統四個維度的創新，實現了極致的效率提升。
MiniCPM4 是一款專為端側設備設計的高效大語言模型，在相同規模下保持最優性能的同時實現了極致的效率提升，在典型端側芯片上可實現超 5 倍的生成加速。
AyyYOO
MiniCPM4-8B-Q8_0-GGUF 是通過 llama.cpp 將 openbmb/MiniCPM4-8B 轉換為 GGUF 格式的模型，適用於本地推理。
MiniCPM4是專為端側設備設計的高效大語言模型，在相同規模下實現了極致的效率提升和最優性能。
MiniCPM4-MCP是一款開源的端側大語言模型智能體模型，基於80億參數的MiniCPM-4構建，能夠通過MCP與各種工具和數據資源交互，解決廣泛的現實世界任務。
MiniCPM4是專為端側設備設計的高效大語言模型，通過系統創新在模型架構、訓練數據、訓練算法和推理系統四個關鍵維度實現極致的效率提升。
MiniCPM4是專為端側設備設計的高效大語言模型，通過系統創新在模型架構、訓練數據、訓練算法和推理系統四個維度實現極致效率提升，在端側芯片上可實現超5倍的生成加速。
AgentCPM-GUI是一款具備RFT增強推理能力的設備端圖形界面代理，可操作中英文應用，基於80億參數的MiniCPM-V構建。
MiniCPM-S-1B-sft 是一個基於激活稀疏化技術優化的1B參數規模語言模型，通過ProSparse方法實現高稀疏性推理加速，同時保持與原始模型相當的性能。
second-state
MiniCPM-o-2_6 是一個多模態轉換模型，支持多種語言，適用於多種任務。
FriendliAI
MiniCPM-V 2.6是一款強大的多模態大語言模型，能夠在手機等設備上高效運行，支持單圖像、多圖像和視頻理解任務。
該模型在多箇中文和英文數據集上進行了測試，包括語義文本相似度和分類任務。
MiniCPM-o 2.6的int4量化版本，顯著降低GPU顯存佔用，支持多模態處理能力。
MiniCPM-o 2.6是一個多模態模型，支持視覺和語言任務，專為llama.cpp設計。
MiniCPM-o 2.6是一款手機端運行的GPT-4o級多模態大模型，支持視覺、語音與直播流處理
c01zaut
MiniCPM-V 2.6是支持單圖、多圖和視頻理解的GPT-4V級別多模態大語言模型，專為RK3588 NPU優化
AI-Engine
MiniCPM-V-2_6的GGUF量化版本，基於llama.cpp實現高效圖像文本轉換
Transformers多語言%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)
