面壁智慧（openbmb）在 Hugging Face 上線 MiniCPM5-2B，這是 MiniCPM5 系列繼 MiniCPM5-1B 之後的第二款模型。官方將其定位為面向端側、本地部署與資源受限場景的稠密模型，並稱其在 2B 級開源模型中達到 SOTA 水平。
從模型卡資訊看，MiniCPM5-2B 採用標準 LlamaForCausalLM 架構，總引數量約 25.17 億，其中非嵌入引數約 19.82 億；共 42 層，注意力採用 GQA，查詢頭 16 個、鍵值頭 2 個；上下文長度達 131,072 token。官方列出的適用場景包括本地助手、編碼智慧體、工具呼叫工作流與推理任務。
評測方面，面壁將 MiniCPM5-2B 與同尺寸開源模型對比，包括 LFM2.5-2.6B、Qwen3.5-2B、Gemma-4-E2B-it，並列出 Qwen3.5-4B、granite-4.2-3B、Nemotron-3-Nano-4B、Gemma-4-E4B-it、LFM2.5-8B-A1B 等更大模型作參照。官方稱，在該對比集合內 MiniCPM5-2B 以平均分 53.9 取得 2B 級開源 SOTA，並超過所有參比的更大模型（其中最高為 51.1）；優勢主要體現在程式碼推理、數學推理、長上下文理解、工具使用以及多項智慧體任務上。模型卡中的能力雷達圖還顯示，Qwen3.5-4B 平均分 51.1、granite-4.2-3B 為 42.7、LFM2.5-2.6B 為 33.2。
與模型同步，面壁還開放了支撐其訓練的 UltraData 系列資料集，包括高質量網頁預訓練資料 UltraX、採用 L0–L3 分級程式碼資料管理的 UltraData-Code、含 50 萬智慧體訓練樣本的 UltraData-SFT-Agent-2609，以及覆蓋數學、程式碼、通用知識與長上下文推理的 8 萬條以上高質量強化學習樣本 UltraData-RL-2609。
在交付形態上，MiniCPM5-2B 提供了較完整的版本矩陣：最終版（經 RL 與 OPD 後訓練）、僅 SFT 檢查點、中訓練檢查點、純預訓練 Base 版本，以及面向 llama.cpp / Ollama / LM Studio 的 GGUF、面向蘋果晶片的 MLX 4bit、GPTQ 4bit 量化版，另有用於推理加速的 DSpark 草稿模型及其 GGUF 版本，以及 LiteRT-LM 版本。MiniCPM5-1B 也提供類似的多版本分發。
從產業視角看，這條釋出延續了近一年端側小模型的競爭主線：廠商不再只比拼引數規模，而是把長上下文、工具呼叫與智慧體能力壓進 2B–4B 量級，以便在手機、PC 與邊緣裝置上本地執行。若這類模型的實測表現與官方榜單一致，其直接影響可能落在兩處：一是端側推理對記憶體與算力的需求結構，二是雲端大模型 API 在輕量任務上的替代壓力。不過，模型卡中的對比集合由釋出方自行選定，平均分口徑與具體任務權重也未在摘要中完整披露，實際能力仍需第三方基準與真實部署驗證。