摘要：以8B的参数量，在多项核心评测中全面超越GPT-4o-latest、Gemini-2.0 Pro，甚至干过了Qwen2.5-VL 72B。
26日，OpenBMB团队扔出了一颗深水炸弹——MiniCPM-V 4.5。
面壁小钢炮，再次让我眼前一亮。
以8B的参数量，在多项核心评测中全面超越GPT-4o-latest、Gemini-2.0 Pro，甚至干过了Qwen2.5-VL 72B。
对，你没看错。8B，打赢了72B。
这意味着什么？端侧多模态模型的天花板，被彻底掀翻了。
MiniCPM-V 4.5是目前开源社区中同参数性能最强的端侧多模态模型，没有之一。
在OpenCompass综合评测的8大权威基准中，它拿到了77.0的平均分。
同性能的模型动不动就是百亿级甚至千亿级规模，而MiniCPM-V 4.5却轻巧得能跑在iPad上。
这背后没有玄学，全是实打实的技术突破。
MiniCPM-V 4.5在视频理解方面几乎是一骑绝尘。
它采用了一种叫做统一3D重采样器（Unified 3D-Resampler） 的新架构。说人话就是：能把6帧448x448的视频帧压缩到仅64个token。
对比一下，传统方法处理同样6帧需要1536个token。而MiniCPM-V 4.5做到了96倍的压缩率。
这是什么概念？意味着你可以在不增加计算成本的前提下，让模型“看”到更多帧、更长的视频。于是——
高刷新率视频理解（支持10FPS）长视频理解（Video-MME、LVBench、MLVU等榜单屠榜）极高效的推理效率以往你要处理一段2分钟的视频，可能光token开销就让你肉疼。
如果说视频理解是亮点，那OCR和文档解析就是它的“基本盘”——强得离谱。
基于LLaVA-UHD架构，MiniCPM-V 4.5可以处理最高1344x1344分辨率、任意比例、最高180万像素的图像，并且视觉token消耗比主流MLLM少4倍。
结果就是：
OCRBench上超越GPT-4o-latest、Gemini 2.5OmniDocBench上达到通用MLLM中的SOTA性能能准确解析复杂表格、手写字体、扫描版PDF它甚至能根据图像中文字的可见程度，自适应地切换模式：文字清晰时就做OCR识别，文字模糊时就靠多模态上下文进行推理补全。
也就是说，不管你的文档是高清扫描版还是手机随便拍的糊图，它都能处理。
你有没有遇到过这种场景：
有时候只想让AI快速回答一个问题，不想等有时候又希望它深度推理，多花点时间也没关系MiniCPM-V 4.5这次直接给你两个模式切换：
Fast Thinking：日常高效使用，响应速度快Deep Thinking：复杂任务深度推理，效果更强而且这两个模式是通过多模态强化学习联合优化的，不是简单的“调参版”和“完整版”的区别。也就是说，快模式不会牺牲太多性能，深模式也不会慢到不能用。
这种设计哲学真的很人性化。毕竟谁也不想在查菜谱的时候等10秒，也不想在解数学题的时候被敷衍。
甚至他们在iPad M4上做了原生适配，演示视频录屏无剪辑——流畅得不像开源模型。
看看下面这些应用场景，是不是感觉“这下爽死了”。
旅游拍照发小红书
手写“狂草”识别
再也不用担心不会做的题了
能做到这样的性能，不是偶然。MiniCPM-V 4.5在三个层面做了深度创新：
统一3D-Resampler架构彻底解决了视频理解中的效率-性能权衡问题，让模型能“看得又多又准”。
动态文本破坏训练通过随机模糊文档中的文字区域，让模型学会在“OCR模式”和“知识推理模式”之间智能切换。不再依赖容易出错的文档解析器，也减少了幻觉现象。
混合强化学习优化让快思考和深思考两个模式能协同进化，而不是彼此牺牲。
等不及了吗，这是全部版本汇总：
在手机上看视频问AI、手写笔记实时转电子档、对着复杂表格直接提问分析……
这一切，已经开始了。
论文地址: https://github.com/OpenBMB/MiniCPM-V
来源：算泥社区