面壁智能（OpenBMB）于 2025 年发布 MiniCPM5 系列第二款模型 MiniCPM5-2B，这是一款稠密 2B 参数的 Transformer 模型，专为端侧、本地部署及资源受限场景设计。官方在 Hugging Face 上公布的评测显示，该模型在 2B 级开源模型中平均得分 53.9，达到该级别开源模型的 SOTA（最优水平），并超过了对比的 4B 级模型（其中最高分为 51.1）。
MiniCPM5-2B 采用标准 LlamaForCausalLM 架构，总参数量 2,516,756,480（约 25 亿），其中非嵌入参数约 19.8 亿，层数 42 层，注意力头配置为 16 个 Q 头和 2 个 KV 头（GQA），上下文长度达 131,072（128K）。模型支持长上下文、工具调用，并针对端侧智能体任务优化。官方强调，该模型在保持较小部署体积的同时，提供原生长上下文支持，适用于本地助手、编码智能体、工具使用工作流及推理场景。
在能力对比中，官方将 MiniCPM5-2B 与同尺寸的 LFM2.5-2.6B、Qwen3.5-2B、Gemma-4-E2B-it 以及更大尺寸的 Qwen3.5-4B、granite-4.2-3B、Nemotron-3-Nano-4B、Gemma-4-E4B-it、LFM2.5-8B-A1B 等模型并列。结果显示，MiniCPM5-2B 不仅在 2B 级模型中领先，其平均分也超过了所有参与对比的更大模型。官方指出，其优势在代码推理、数学推理、长上下文理解、工具使用及多项智能体任务上尤为明显。例如，在 LiveCodeBench v6 代码推理测试中，MiniCPM5-2B 得分 69.1，显著高于 LFM2.5-2.6B 的 42.1 和 Qwen3.5-2B 的 20.2。
与模型同步，面壁智能还开源了 UltraData 系列高质量训练数据集，作为模型能力的支撑。这批数据包括：UltraX（高质量网页预训练数据集）、UltraData-Code（采用 L0–L3 分层代码数据管理，旨在推动编码能力跃升）、UltraData-SFT-Agent-2609（包含 50 万条智能体训练样本，增强端侧智能体能力）以及 UltraData-RL-2609（8 万+条高质量强化学习样本，覆盖数学、代码、通用知识与长上下文推理）。
MiniCPM5-2B 是 MiniCPM5 系列的第二款模型，此前该系列已发布 MiniCPM5-1B。官方在 Hugging Face 上提供了多种格式的模型权重，包括 BF16 最终版（经 RL+OPD 后训练）、SFT 检查点、中间训练检查点、Base 版、GGUF（用于 llama.cpp/Ollama/LM Studio）、MLX（针对 Apple Silicon 的 4bit）、GPTQ 4bit 量化版以及用于推理加速的 DSpark 草稿模型。
从产业视角看，MiniCPM5-2B 的发布延续了端侧小模型“以小博大”的趋势。在算力成本高企的背景下，2B 级模型若能保持与 4B 级模型相当甚至更优的能力，将有助于降低推理部署门槛，推动 AI 应用向手机、PC 等边缘设备渗透。同时，开源训练数据（特别是智能体与 RL 数据）的开放，也有利于社区复现与进一步研究，可能加速端侧智能体生态的发展。不过，官方评测的对比模型与基准选择需结合具体场景看待，实际效果仍有待社区在真实任务中验证。