面壁智慧（OpenBMB）於 2025 年釋出 MiniCPM5 系列第二款模型 MiniCPM5-2B，這是一款稠密 2B 引數的 Transformer 模型，專為端側、本地部署及資源受限場景設計。官方在 Hugging Face 上公佈的評測顯示，該模型在 2B 級開源模型中平均得分 53.9，達到該級別開源模型的 SOTA（最優水平），並超過了對比的 4B 級模型（其中最高分為 51.1）。
MiniCPM5-2B 採用標準 LlamaForCausalLM 架構，總引數量 2,516,756,480（約 25 億），其中非嵌入引數約 19.8 億，層數 42 層，注意力頭配置為 16 個 Q 頭和 2 個 KV 頭（GQA），上下文長度達 131,072（128K）。模型支援長上下文、工具呼叫，並針對端側智慧體任務最佳化。官方強調，該模型在保持較小部署體積的同時，提供原生長上下文支援，適用於本地助手、編碼智慧體、工具使用工作流及推理場景。
在能力對比中，官方將 MiniCPM5-2B 與同尺寸的 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 等模型並列。結果顯示，MiniCPM5-2B 不僅在 2B 級模型中領先，其平均分也超過了所有參與對比的更大模型。官方指出，其優勢在程式碼推理、數學推理、長上下文理解、工具使用及多項智慧體任務上尤為明顯。例如，在 LiveCodeBench v6 程式碼推理測試中，MiniCPM5-2B 得分 69.1，顯著高於 LFM2.5-2.6B 的 42.1 和 Qwen3.5-2B 的 20.2。
與模型同步，面壁智慧還開源了 UltraData 系列高質量訓練資料集，作為模型能力的支撐。這批資料包括：UltraX（高質量網頁預訓練資料集）、UltraData-Code（採用 L0–L3 分層程式碼資料管理，旨在推動編碼能力躍升）、UltraData-SFT-Agent-2609（包含 50 萬條智慧體訓練樣本，增強端側智慧體能力）以及 UltraData-RL-2609（8 萬+條高質量強化學習樣本，覆蓋數學、程式碼、通用知識與長上下文推理）。
MiniCPM5-2B 是 MiniCPM5 系列的第二款模型，此前該系列已釋出 MiniCPM5-1B。官方在 Hugging Face 上提供了多種格式的模型權重，包括 BF16 最終版（經 RL+OPD 後訓練）、SFT 檢查點、中間訓練檢查點、Base 版、GGUF（用於 llama.cpp/Ollama/LM Studio）、MLX（針對 Apple Silicon 的 4bit）、GPTQ 4bit 量化版以及用於推理加速的 DSpark 草稿模型。
從產業視角看，MiniCPM5-2B 的釋出延續了端側小模型“以小博大”的趨勢。在算力成本高企的背景下，2B 級模型若能保持與 4B 級模型相當甚至更優的能力，將有助於降低推理部署門檻，推動 AI 應用向手機、PC 等邊緣裝置滲透。同時，開源訓練資料（特別是智慧體與 RL 資料）的開放，也有利於社群復現與進一步研究，可能加速端側智慧體生態的發展。不過，官方評測的對比模型與基準選擇需結合具體場景看待，實際效果仍有待社群在真實任務中驗證。