openbmb/MiniCPM-o-4_5

openbmb/MiniCPM-o-4_5 是一款 9B 参数多模态模型，适用于视觉、语音、OCR 和全双工直播工作流，支持 instruct 与 thinking 模式，以及 PyTorch、llama.cpp、Ollama、vLLM、SGLang 等部署方式。

大语言模型

AI聊天机器人

AI智能体目录

访问网站

概述

MiniCPM-o 4.5 是 openbmb 在 Hugging Face 上发布的一款多模态模型，将视觉、语音和直播能力整合到一个端到端系统中。模型卡将其描述为 MiniCPM-o 系列中最新、能力最强的模型，由 SigLip2、Whisper-medium、CosyVoice2 和 Qwen3-8B 构建，参数量为 9B。

来源突出说明了该模型的四项主要任务：视觉理解、实时语音对话、全双工多模态直播以及 OCR/文档解析。它还指出，该模型支持英语和中文双语语音、总体超过 30 种语言，以及多种部署路径，包括在 Nvidia GPU 上使用 PyTorch、llama.cpp、Ollama、vLLM、SGLang、量化格式和 FlagOS。

主要特性

9B 参数多模态模型

该模型由 SigLip2、Whisper-medium、CosyVoice2 和 Qwen3-8B 端到端构建，总参数量为 9B，并被介绍为 MiniCPM-o 系列中的最新模型。

Instruct 和 thinking 模式

MiniCPM-o 4.5 在单一模型中同时支持 instruct 和 thinking 模式，用户可以在更快响应和更深入推理之间进行选择，而无需切换模型。

语音对话功能

该模型支持英语和中文的双语实时语音对话，可配置助手声音、声音克隆，以及基于一段简短参考音频的角色扮演。

全双工直播

它可以在生成文本和语音输出的同时处理连续音频和视频流，实现不受模态之间阻塞影响的全双工直播交互。

高分辨率视觉输入

该模型可处理高达 180 万像素的高分辨率图像和最高 10 fps 的高帧率视频，并且在 OCR 和文档解析任务上表现较强。

多种推理与部署选项

页面列出了多种部署路径，包括 Nvidia GPU 上的 PyTorch、llama.cpp、Ollama、量化 int4 和 GGUF 模型、vLLM、SGLang 以及 FlagOS 支持。

常见用例

多模态助手工作流
当你需要一个既能回答关于图像、文档页面或其他视觉输入的问题，又能处理语音交互的系统时，可使用该模型。
实时语音助手
可用于需要实时监听和响应的实时对话代理，包括英语和中文双语语音交互以及可配置语音。
全双工直播
可用于将摄像头输入和音频与连续输出结合起来的应用，例如演示体验、具身界面或实时场景解说。
文档与 OCR 处理
当 OCR 或文档解析是工作的一部分时，可使用该模型，尤其适用于高分辨率页面和图像密集型工作流。
本地与优化部署
当你需要通过 PyTorch、llama.cpp、Ollama、vLLM、SGLang 或量化格式进行本地或优化推理时，可使用可部署变体和运行时支持。

Pros and Cons

Pros

将视觉、语音和流式行为整合到一个模型中，而不需要分别使用独立系统。
同时支持 instruct 和 thinking 模式，让用户可以在效率与更深层推理之间进行选择。
提供多种部署选项，包括面向 CPU 的路径、量化路径以及更高吞吐量的运行时。
支持多语言语音和超过 30 种语言，从而拓宽了实际使用场景。
除通用多模态理解外，还包含 OCR 和文档解析能力。

Cons

来源将基础用法描述为在 Nvidia GPU 上进行 PyTorch 推理，因此最直接的设置并不适合所有环境，且不够轻量。
某些能力，例如全双工直播和主动交互，属于专门场景，可能比标准单轮推理需要更复杂的集成。
收集到的定价信息是关于 Hugging Face 通用服务的，而不是 MiniCPM-o 4.5 的模型专属定价。

FAQ

MiniCPM-o 4.5 是什么类型的模型？

MiniCPM-o 4.5 被定位为一款用于视觉、语音和全双工直播的多模态模型。它被呈现为一个支持 instruct 和 thinking 模式的单一模型。

MiniCPM-o 4.5 可以如何运行？

来源说明该模型可使用 Nvidia GPU 上的 PyTorch 推理进行基础使用，也支持用于 CPU 推理的 llama.cpp 和 Ollama，以及用于更高吞吐量推理的量化 int4 和 GGUF 格式、vLLM 和 SGLang，还支持用于统一多芯片后端插件的 FlagOS。

除了文本和图像理解之外，该模型还支持什么？

该模型被描述为支持英语和中文的实时语音对话，以及全双工多模态直播，在此过程中可同时处理视频和音频输入，并并发生成文本和语音输出。

提到了哪些输入类型和语言覆盖范围？

模型卡说明 MiniCPM-o 4.5 可处理最高 180 万像素的高分辨率图像、最高 10 fps 的高帧率视频，并支持超过 30 种语言的多语言能力。

在 Hugging Face 上使用这个模型是否有公开定价？

Hugging Face 的定价页面确认 Hugging Face 提供付费基础设施和推理服务，但收集到的来源没有提供 MiniCPM-o 4.5 的模型专属定价。

Quick Facts

提供方: openbmb
平台: Hugging Face
模型类型: 多模态模型
模态: 视觉、语音、音频、视频、文本
参数量: 9B
来源域名: huggingface.co