2B以下全球最佳！AI训练AI，面壁小钢炮训练成本比英伟达低10%

面壁智能的新一代小钢炮来了。

5月25日，面壁智能联合清华大学、OpenBMB开源社区正式发布MiniCPM5-1B，1B（10亿）参数规模，在权威榜单Artificial Analysis（AA）上拿下17.9分，超越所有2B以下模型，包括参数翻倍的Qwen3.5-2B。

更小，更强，又一次验证了面壁持续追踪、曾登上Nature的密度定律：大模型智能密度约每3.5个月翻一番。

面壁小钢炮家族模型参数小，能量大，个顶个都非常能打。

而且，MiniCPM5-1B基础模型，竟然是AI亲手锻造的训练框架训出来的全球同尺寸最优的基座模型。

小钢炮的家底

面壁智能做端侧模型，不愧为“小钢炮”。从2024年2月至今，每一代小钢炮都在干同一件事：用更小的参数，打出超越体量的成绩。

2024年2月，初代面壁MiniCPM登场，2B参数，在多项主流评测榜单上超越了法国当红模型Mistral-7B，越级比肩Llama2-13B。

Int4量化后只占2GB内存，已经能跑在手机上。那会儿行业还在卷大参数，面壁反其道而行，把模型往小了做，往强了做。

同年9月，MiniCPM 3.0发布，4B参数，性能超越GPT-3.5-Turbo-0125，媲美多款7B至9B参数模型。量化后同样只需2GB内存，工具调用、代码解释、长文本处理都能跑。

面壁把这一代叫做端侧ChatGPT时刻，4B参数的模型在手机上跑出GPT-3.5级别的表现。

2025年6月，MiniCPM4.0上线，提供8B和0.5B两种参数规格。8B版本通过自研CPM.cu推理框架，在极限场景下实现最高220倍提速，常规5倍提速。0.5B版本继续以小博大。

同年8月，多模态版本MiniCPM-V 4.5开源，8B参数性能超越72B模型，行业首个具备高帧率视频理解能力的多模态模型。

2026年2月，MiniCPM-o 4.5发布，9B参数，全双工多模态实时流机制，同时看听说。

5月11日，MiniCPM-V 4.6发布，1.3B参数登顶同尺寸多模态榜单。

两年多时间，面壁小钢参数越来越小，能力越来越强，每一代都在刷新端侧模型的性能天花板。个顶个都是小参数、大能量。

这一代的主角，MiniCPM5-1B。

1B参数，大约是GPT-3的百分之一，大约是很多主流开源模型的十分之一甚至更少。面壁用这么小的模型，在AA榜单上拿了17.9分，超过Qwen3.5-2B的16.3分。参数少一半，分数还更高。

具体来看，MiniCPM5-1B在知识、数学推理、代码推理、工具调用等维度全面超越同尺寸基座模型，包括Qwen3.5-0.8B、LFM2.5-1.2B-Thinking等。

在AA的小尺寸模型榜单中，MiniCPM5-1B以17.9分位居第一，Qwen3.5-2B为16.3分。一个1B参数的模型，站在了2B参数规模的最顶端。

大模型的智能密度正在以约每3.5个月翻一番的速度持续提升。3个月前，Qwen3.5-2B还是2B参数规模的最优；3个月后，MiniCPM5-1B用一半参数超越了它。

更小的模型，承载了更高的智能密度。面壁曾联合清华大学在Nature上发表的研究，基于对51个主流大模型的严谨回测，揭示了这个规律：从2023年到2025年，大模型智能密度以每3.5个月翻倍的速度增长。

数据定上限

1B模型强大，靠的是训练数据的质量。

面壁在MiniCPM5-1B的训练过程中，构建了一套分级数据治理体系，将预训练数据按照质量从低到高划分为L0至L4五个等级，每一级对应不同的清洗、筛选和质量控制标准。

与其用海量低质数据灌出一个模型，不如用精选高密度数据养出一个模型。在1B参数规模下，每一条训练数据的质量都直接影响最终性能。

在这个体系之上，研究团队针对三个关键方向开展大规模高质量预训练数据合成：高知识密度中文网页语料、高知识密度英文网页语料、高质量数学合成语料。三个方向，精准发力。

高质量合成数据集Ultra-FineWeb-L3也将随模型一起开源，供社区使用和研究。

https://huggingface.co/collections/openbmb/ultradata

这一点值得多说一句，面壁每次发模型都把训练数据一并开源，这在行业里不多见。模型开源不稀奇，数据也开源，才是真开源。

AI造AI

MiniCPM5-1B的Base Model版本，由面壁即将发布的AI训练框架ForgeTrain在国产芯片上预训练完成。

ForgeTrain是全球首个完全由AI编写的生产级大模型训练框架，全部代码由AI生成，人类工程师零代码介入。

在英伟达H100上，ForgeTrain的训练速度超越英伟达自家的Megatron框架，快了约10%，相当于训练成本下降10%。

一个由AI编写的训练框架，训出了全球2B以下参数规模综合性能最优的基座模型。

AI制造AI，已经在持续产出可验证的、性能领先的成果。

Anthropic CEO Dario Amodei预言2028年AI能编写AI，面壁用ForgeTrain加MiniCPM5-1B的组合给出了一个提前量。

这个方向叫递回归智能（RSI，Recursive Self-Improvement），AI自我改进、自我进化的能力。ForgeTrain证明了这条路走得通，而且产出的结果经得起公开榜单的检验。

几乎啥设备都能跑

MiniCPM5-1B几乎啥设备都能跑。INT4量化后权重仅0.5GB，占用空间比一部短视频还小。

运行环境的兼容性也很广。

有GPU，直接跑FP16，性能拉满。

只有CPU，面壁联合清华大学、OpenBMB开源了自研CPU推理框架ArcLight，专门为纯CPU环境做了深度优化，没有显卡也能流畅对话。

https://github.com/OpenBMB/ArcLight

面壁对MiniCPM5-1B的定位是：零门槛端侧模型，不挑硬件，不挑平台，不挑用户。只要你想跑，就一定能跑起来。

微调方面，支持Llama_factory、ms_swift等主流微调框架。

推理方面，适配SGLang、vLLM、llama.cpp、ollama、Hugging Face、ArcLight等推理框架。

还提供了配套的安装skills，如果你在用Claude Code或类似的AI编程工具，可以直接让AI帮你完成环境配置和部署，用AI装AI，一行命令都不用自己敲。

https://github.com/OpenBMB/MiniCPM/tree/main/skills

1B参数的模型能干什么？

面壁给了一个很生动应用示例：AI桌宠。

https://www.youtube.com/watch?v=Ee0slMW8SEk

跑在你的手机上、电脑上，无论何时何地、有网没网，都能贴心陪伴。

不需要GPU集群，不需要云端API，一台普通笔记本、一部手机已足够。

端侧AI真正激动人心的地方，不是把云端大模型的能力打折后塞进小设备，而是让小尺寸模型本身就足够强，强到能独立驱动真实应用。

MiniCPM5-1B现已全面开源，包括模型权重、训练数据集与部署方案。

更小的参数，更高的智能，更低的门槛，面壁小钢炮又往前走了一步。

参考资料：

https://modelscope.cn/models/OpenBMB/MiniCPM5-1B

https://huggingface.co/openbmb/MiniCPM5-1B

https://github.com/OpenBMB/MiniCPM

https://github.com/OpenBMB/MiniCPM-Desk-Pet