面壁智慧（OpenBMB）在 Hugging Face 上釋出了 MiniCPM5-2B，這是其 MiniCPM5 系列繼 MiniCPM5-1B 之後的第二款模型。該模型為稠密 2B Transformer，沿用此前訓練配方進行規模擴充套件，面向端側、本地部署及資源受限場景，官方稱其在 2B 級開源模型中達到 SOTA 水平。

根據官方公佈的評測結果，在與同尺寸開源模型（如 LFM2.5-2.6B、Qwen3.5-2B、Gemma-4-E2B-it）的對比中，MiniCPM5-2B 平均得分 53.9，不僅領先同級別對手，甚至超過了列表中的多款 4B 級模型（如 Qwen3.5-4B 平均 51.1、granite-4.2-3B 平均 42.7）。其優勢領域集中在程式碼推理、數學推理、長上下文理解、工具呼叫及多種智慧體任務。

模型架構方面，MiniCPM5-2B 採用標準 LlamaForCausalLM 結構，引數量為 2,516,756,480，其中非嵌入引數約 19.8 億，層數 42 層，採用 GQA 注意力（Q 頭 16、KV 頭 2），上下文長度達 131,072 個 token，原生支援長文本場景。官方定位其適用於本地助手、編碼智慧體、工具呼叫工作流及偏好緊湊模型的推理場景。

與模型同步，面壁智慧還開源了 UltraData 系列高質量訓練資料集，包括用於預訓練的 UltraX、分 L0–L3 層級管理程式碼資料的 UltraData-Code、含 50 萬條智慧體訓練樣本的 UltraData-SFT-Agent-2609，以及含 8 萬+ 條強化學習樣本的 UltraData-RL-2609（覆蓋數學、程式碼、通用知識與長上下文推理）。

本次釋出的模型檔案為 GPTQ 4bit 量化版（即 MiniCPM5-2B-GPTQ），適用於對視訊記憶體佔用敏感的執行環境。官方同時提供了多種格式供選擇，包括 BF16 最終版、SFT 版、預訓練版、GGUF、MLX 及 DSpark 草稿模型等，覆蓋 llama.cpp、Ollama、LM Studio、Apple Silicon 等不同推理棧。

從產業角度看，MiniCPM5-2B 的釋出延續了面壁智慧在端側 AI 的佈局。此前 MiniCPM5-1B 已展示小引數模型的潛力，此次 2B 版本在保持緊湊體積的同時，效能進一步逼近甚至部分超越 4B 級模型，這對依賴端側推理的終端裝置（如手機、PC、IoT）及邊緣計算場景具有實際意義。同時，官方強調資料質量與訓練配方的可擴充套件性，UltraData 系列的開源也有助於社群在高質量資料層面進行復現與改進。

值得注意的是，評測對比集中展示了 MiniCPM5-2B 在程式碼與數學推理上的優勢，這與其面向編碼智慧體與工具呼叫的定位相符。不過，評測結果由官方釋出，實際表現仍需第三方獨立驗證。對於關注模型小型化與端側部署的開發者，MiniCPM5-2B 提供了又一個可選的輕量級基座。