9 月 8 日，面壁智能联合 OpenBMB 开源社区放出了新一代端侧模型 MiniCPM5-2B。知乎·新智元 刷屏标题基本都是「4B 以下第一」「2B 打穿 9B」「小钢炮」这套话术，配图来自同一组榜单截图。
但如果你是一直在笔记本、迷你主机上跑 7B/8B 量化模型的人，这次真正该盯住的有两件事：一是它开源的东西比「权重」多得多，二是发布后 24 小时内，社区里已经出现了两组对不上的分数。
这次开的不只是模型，是整条产线
过去大部分模型开源，给的是最终权重加一张模型卡。MiniCPM5-2B 这次把中间过程也翻出来了：
分阶段权重：Base、Midtrain、SFT-only、RL+OPD 后的版本全放出来，能对比模型在每个训练阶段发生了什么；
数据：50 万条 Agent SFT 数据、8 万多条覆盖数学/代码/知识/长文本推理的 RL 数据，外加 UltraData-Code、UltraData-SFT-Agent-2609、UltraData-RL-2609 三个数据集，以及 UltraX-Preview 数据精炼方案——连那个负责精炼数据、只有 0.6B 参数的小模型都开源了。按官方说法，这套方案在 FineWeb 上用 16B tokens 超过了别人用满 20B tokens 的效果。知乎·Datawhale
训练框架与算法：自研 RL 框架 Meshy（去掉中央控制器和 Ray 依赖，训练/推理/奖励全部对等化，同步、异步、全异步三种模式可切）和 JustRL II（给 GRPO 装上 Critic，把信用分配精确到词元级）。知乎·新智元
训练 Recipe：从数据处理到后训练的完整配方。
官方给出的 RL 增益是看得见的：RL 后训练让数学 AIME 提了 20 分、SWE-bench Verified 提了 17.4 分、BFCL 工具调用提了 11.2 分。知乎·Datawhale
模型本身结构倒是很「老实」：2,516,756,480 参数，标准 LlamaForCausalLM 架构，42 层，GQA（16 个 Q 头 / 2 个 KV 头），128K 上下文，纯文本。GGUF、MLX、GPTQ、LiteRT 版本都备好了。
一句话：以前开源是给你一件成品，这次是把厨房一起搬给了你。对想研究「小模型为什么聪明」的人来说，这批材料比榜单名次值钱。
分数怎么读：先别看「第一」，看断层和口径
官方发布稿引用 AA（Artificial Analysis）榜单：Intelligence Index 23 分，全球 4B 以下开源基座第一，压过 Gemma 4 12B 和 Qwen3.5 9B（都是 22 分，参数量是它的 4.5 倍以上）。知乎·新智元
但同一天，社区里独立整理的帖子记录的是另一组数：AA 的 v4.2 口径下，这款模型只有 15 分。知乎·nano
GDPval-AA v2（以人类表现为 1000 分锚点的工作任务评测）上，发布稿口径是 891 分，社区帖当天记录是 831 分。知乎·新智元知乎·nano
这不是谁在造假——榜单版本和快照时点不同，同一模型的分数就是会漂。看开源模型发布，把「快照日期」当成分数的一部分，是这两年必须养成习惯的事。证据覆盖到这里，结论就只能说到这里：「登顶 4B 以下」成立，但「第一」会随版本变。
真正断层、不随口径漂移的，是下面这组形状：
Agentic Index（Agent 能力专项）：20 分。第二名 Granite 4.2 8B 是 9 分，Qwen3.5 9B 是 7 分，参数量十倍于己的 gpt-oss-20b 只有 3 分；而同级 2B-3B 模型（LFM2.5、Granite 4.2 3B、Ministral 3 3B）普遍是 2 分——不是领先，是断层。知乎·Datawhale
每任务平均输出约 2 万 token（其中推理占大头），同表 Qwen3.5 9B 要 34k、Ling 3.0 Tiny 要 56k。知乎·新智元知乎·nano对端侧多步 Agent 来说，token 消耗就是延迟和电费，这个数字是真正影响成本的。
这组数据说的不是「它知识比 9B 多」，而是「它被专门训练过怎么做事」：选工具、填参数、搜资料、写代码。总榜小胜靠效率，Agent 榜大胜靠任务形状。
跑起来是什么体验：24 小时里的真实数据点
部署门槛：Q4_K_M 量化只有 1.56GB，Q8_0 约 2.68GB，FP16 权重约 5GB 出头。知乎·AI小Dllama.cpp、Ollama、LM Studio、vLLM、SGLang 全支持，微调走 LLaMA-Factory、ms-swift。知乎·nano 1.56GB 这个数字的传播力在于：它让人立刻联想到自己的旧笔记本，而不是「看完发布稿就划走」。
社区第一个 CPU 实测：一台 i5-1135G7、32GB 内存、无独显的 Windows 笔记本，llama.cpp 跑 Q8_0，prompt 处理约 43.8 token/s，生成约 7.29 token/s。知乎·AI小D单一样本，不能外推，但至少证明「普通电脑能跑起来」不是宣传语——只是这个速度是「可用」，不是「快」。
芯片生态：智源 FlagOS 发布当天完成 12 款 AI 芯片的 Day0 适配（平头哥、昇腾、海光、昆仑芯、沐曦、摩尔线程、苹果 M5、此芯 P1 等），在 M5 Pro 上用 CPU 模式跑 W4A8，Prefill 比 llama.cpp 同精度快约 19%，端到端吞吐提升约 12%。ARM 端侧口径给出 prefill >1000 token/s、decode 90 token/s。知乎·智源FlagOpen
场景实测：Datawhale 拿三个「数据不该离开设备」的任务测了本地链路：29 个混放文件（合同、简历、聊天记录、发票、菜谱）按内容分类，无一份分错，还主动做了敏感信息脱敏副本；50 份简历提取学校、映射城市、汇总分布；会议纪要总结后对照标注文件指出了两处偏差。三个场景全程数据不出设备。知乎·Datawhale
工具链：发布当天就有人把它接进 DeepSeekHarness 跑 Agent 任务。小模型接进真实工具链，今年第一次显得不勉强。
它不行在哪里：三道门，比跑分重要
分数口径门：官方那张 34 项平均分 53.9 的对比表里，只有标 † 的少数项来自 Artificial Analysis 独立评测，多数是发布方内部复现。而且表内并非全胜：SWE-bench Pro 只有 14.4（同表 Qwen3.5-4B 是 28.2），Terminal-Bench v2.1 只有 8.6（对照 25.8），CritPt 拿过 0 分。知乎·AI小D长时间操作终端、改大型代码库、连续错误纠正，仍然是它的短板。一次工具调用做对，和连续几十步不偏离目标之间，隔着完整的 Agent 系统工程。
模态门：纯文本模型。截图、语音、视频都得外接 OCR / ASR，每一层识别错误都会传导进后续工具动作。
现场数据门：你的设备上端到端速度、峰值内存、功耗、长尾稳定性，公开材料还没有交付。社区比较一致的说法是：任务以文本为主、工具权限受控、失败可以回滚——满足这三个条件，它值得进入实验名单；不够格接管生产主链路。知乎·nano
谁现在动手、谁再等等
在笔记本/迷你主机上跑本地模型、嫌 8B 太重的折腾党：值得换 Q4_K_M 实测一轮。但基准要用你自己的文档和工具 schema 重跑，别拿官方榜单当验收单。多步、离散、不需要长程终端的任务，大概率够用。
HR、法务、医疗这类敏感文本的处理者：这次发布第一次把「数据不出设备还能干完整活」从概念变成了一天能搭起来的 PoC。挑一个场景试，成本是一台已有电脑加一个周末。
想自己训端侧小模型的开发者：重点不是下载 2B 权重，而是那套整厂材料——中间 checkpoints、数据精炼管线、Meshy 框架。先复现数据侧，再决定要不要跟「密度定律」这条路。
所有人继续盯的信号：未来一到两周，第三方对量化版速度的实测、工具调用正确率、连续多步任务完成率的复现结果。这些齐了，它才从一次刷屏的发布，变成端侧 Agent 的可靠底座。
截至今年 8 月，MiniCPM 系列开源下载量突破 5000 万——社区用下载量投的票，往往比跑分诚实。知乎·新智元这次轮到的是「连怎么做都可以抄给你看」的一票。
跑分有水分（口径会漂），材料是实货（现在人人可查）。端侧 Agent 的故事，从这一天起才真正开始进入工程验证期。
你在自己的设备上跑过 2B 级模型吗？速度和翻车场景欢迎评论区报数。
