MiniCPM5-2B خدام

MiniCPM5-2B هو موديل أساسي للغة كيتخدم فالطرف، محلول المصدر، طوّراتو بالتعاون شركة 面壁智能 ومجتمع OpenBMB وجامعة تسينغهوا. فيه تقريباً 2.5 مليار بارامتر، كيدعم سياق حتى لـ128K، وحقق معدل 53.9 فـ34 معيار، متفوق على بزاف ديال الموديلات من فئة 4B، وواصل لمستوى SOTA المفتوح ففئة 2B. الموديل كيحط قدرات الـAgent بحال استدعاء الأدوات، البحث المعمق، وتوليد الكود فالطرف، وقدر يخدم فالأجهزة اللي فيها 6GB ديال الذاكرة؛ وزايد عليها محلولين المصدر بيانات التدريب، وإطار RL ‏Meshy، وخوارزمية JustRL II، وكيعتبر فعلاً “مدفع صغير” للطرف.

المحادثة والجواب فالطرف: كيشغل موديل اللغة مباشرة فالجهاز المحلي باش ينجز الأسئلة اليومية، الكتابة، التلخيص ومهام أخرى، بلا ما تطلع البيانات للسحابة.
فهم النصوص الطويلة: كيدعم سياق 128K، وقدر يعالج محاضر الاجتماعات والعقود والوثائق الطويلة محلياً ويستخرج المعلومات المهمة بدقة.
توليد وإصلاح الكود: من إكمال الكود حتى إصلاحات على مستوى مستودعات حقيقية (SWE-bench Verified 46.4)، وقدر يكون مساعد برمجة محلي.
استدعاء الأدوات: كيدعم استدعاء الدوال بشكل أصلي، ويقدر يستعمل أدوات خارجية عند الحاجة للبحث والحساب والتعامل مع قواعد البيانات وغيرها.
البحث المعمق: فيه قدرات Agent للبحث، ويقدر يخطط بوحدو لعمليات بحث متعددة المراحل ويدمج الأجوبة.
الاستدلال المختلط: باستعمال مفتاح enable_thinking تقدر تبدل بين الجواب السريع ووضعية التفكير المعمق، مع الحفاظ على السرعة وحل المسائل الصعيبة.
المهام المحلية بالجملة: مهام حساسة للخصوصية بحال فرز السير الذاتية، تصحيح الفروض وتحليل العقود تقدر تتعالج بالتوازي فالجهاز وبكلفة قليلة.

تابع الحساب فـWeChat وجاوب بـ“开源” باش تنضم لمجموعة مشاريع الذكاء الاصطناعي مفتوحة المصدر
بنية Dense Transformer معيارية: الموديل كيستعمل بنية LlamaForCausalLM المعيارية، فيها 42 طبقة، وكيستعمل GQA باش ينقص من كلفة KV Cache، وكيدعم أصلياً سياق 131,072 token. وبما أن البنية معيارية بالكامل، فإطارات بحال vLLM وllama.cpp وOllama تقدر تحمّلو مباشرة بلا kernel مخصص.
تكوين قدرات الـAgent عبر السلسلة كاملة: كيتوجد الموديل لمهام الـAgent من مرحلة ما قبل التدريب؛ كيبدا بـ200B ديال Agent Midtraining لإدخال المعارف الأولية ديال تفكيك المهام واستعمال الأدوات، ومن بعد كيتدرّب بـ500 ألف مسار SFT كيغطي استدعاء الأدوات، البحث فالويب وCode Agent باش يتعلم التنفيذ المنظم، وفالأخير كيدوز من Agent RL للمحاذاة وضمان استقرار الاستراتيجية فالتفاعلات المتعددة، وكيكوّن سلسلة قدرات كاملة “كتخدم ومفيدة”.
إطار التعلم المعزز Meshy: Meshy حيد المتحكم المركزي والاعتماد على Ray من تدريب RL التقليدي، ونمذج التدريب والاستدلال وحساب المكافآت كاملين كخدمات متساوية العقد. كيعتمد على حالة جاهزية البيانات فـTransferQueue باش يسوق مسار التحكم الفعلي، وكيقدر يبدل بمرونة بين الأنماط المتزامنة، غير المتزامنة، وغير المتزامنة بالكامل، وبهذا كيولي تدريب RL واسع النطاق أسهل فالتوسعة وأخف فالنشر.
خوارزمية التعلم بالمكافأة JustRL II: لمعالجة مشكلتي “إشارة المكافأة كتوجّه الموديل فالطريق الغلط” و“توزيع الفضل فـGRPO خشن” فـRL ديال سلاسل التفكير الطويلة للموديلات الطرفية، كتستعمل JustRL II خط أنابيب من ثلاث مراحل لمعايرة عينات التدريب فالبيانات، وكتدخل Critic لـGRPO باش تدير توزيع الفضل على مستوى التوكنات، وتحدد بدقة مساهمة كل خطوة فمسار الاستدلال الطويل.
تنقية البيانات باستدعاء الدوال UltraX: UltraX كتخلى على الطريقة التقليدية ديال إعادة كتابة نصوص الويب كاملة بموديل كبير، وكتدرّب موديل خفيف 0.6B باش يتنبأ بعمليات تعديل مهيكلة، ومن بعد منفذ حتمي كيطبقها سطراً بسطر. هاد الشي كيتفادى انحراف المعنى وتخريب البنية الناتجين عن إعادة الكتابة، وبما أن عمليات التعديل قابلة للحفظ والتدقيق فالمسار كامل قابل للتتبع. عملياً، التدريب على 16B tokens من البيانات المنقّاة فاق أداء التدريب الكامل على 20B tokens من البيانات الأصلية.
نظام تدبير البيانات حسب المستويات UltraData: بيانات الكود كتخضع لتدبير متدرج من L0 حتى L3، وبيانات RL كتمر من خط أنابيب من ثلاث مراحل كيحيد العينات اللي ما يمكنش التحقق منها، أو المكافأة ديالها غير موثوقة، أو الصعوبة ديالها ما مناسبةش. هاد الإشارة العالية الجودة للبيانات كتعوض نقص سعة الموديل، وكتعتبر أساساً هندسياً مهماً باش يتفوق موديل صغير على موديلات 4B.

تأكد من شروط العتاد: الأوزان الأصلية بـBF16 كتحتاج تقريباً 4.7GiB، أو تقدر تستعمل نسخة GGUF مكمّمة بحوالي 1.2GB فهاتف أو حاسوب محمول عادي فيه 6GB ديال الذاكرة.
جيب أوزان الموديل: حمّل النسخة اللي محتاج من HuggingFace أو مجتمع 魔搭، واختار حسب الحاجة صيغة BF16 / GGUF / MLX / GPTQ / SFT وغيرها.
ركّب إطار الاستدلال: فالسحابة أو فحالات التوازي العالي استعمل vLLM ‏(≥0.21.0 كيدعمها أصلياً، وكافية بطاقة وحدة TP=1)، وللنشر المحلي الخفيف استعمل llama.cpp أو Ollama أو SGLang، وفبيئة CPU تقدر تستعمل إطار Arclight المطوّر من 面壁.
حمّل الموديل وشغلو: حمّلو مباشرة كبنية Llama معيارية، بلا حتى kernel مخصص.
بدّل وضعية التفكير: تحكم فالإجابة السريعة أو الاستدلال المعمق باستعمال مفتاح enable_thinking فـقالب المحادثة، واختار الوضع حسب صعوبة المهمة.
ربط استدعاء الأدوات والـAgent: استعمل استدعاء الدوال الأصلي والبحث المعمق ديال الموديل، وركّب Workflow محلي للـAgent بالاعتماد على Cookbook وAgent Skills المرافقين.

SOTA مفتوح ففئة 2B: معدل 53.9 فـ34 معيار، وتفوق على جميع موديلات 4B اللي تقيمات، محققاً نتائج كبيرة بحجم صغير.
نواة Agent عامة فالطرف: مدموجة أصلياً فيها قدرات أساسية بحال استدعاء الأدوات، البحث المعمق وتوليد الكود، واحتلت المركز الأول فترتيب الـAgent بـ20 نقطة، متقدمة على موديلات أكبر بحال Granite 4.2 8B وQwen3.5 9B.
سهل بزاف فالنشر: بنية Llama معيارية + إصدارات بجميع الصيغ، وvLLM وOllama وllama.cpp كيحمّلوه مباشرة بلا تعديلات. نسخة INT4 حجمها غير 1.2GB وكتخدم فجهاز فيه 6GB ديال الذاكرة.
سياق طويل أصلي 128K: سياق كيوصل لـ130 ألف token كيوفر الأساس لمعالجة محاضر الاجتماعات والعقود والوثائق الطويلة محلياً فالطرف.
مفتوح المصدر عبر السلسلة كاملة: ماشي غير الأوزان، حتى بيانات التدريب (سلسلة UltraData)، وإطار RL ‏(Meshy)، وخوارزمية RL ‏(JustRL II)، وRecipe ديال التدريب كاملين محلولين، باش يمكن إعادة الإنتاج والابتكار فوقهم.
استدلال فعال: فالمهمة الواحدة كيستهلك فالمتوسط حوالي 21K output tokens، واستهلاكه للتوكنات أقل من موديلات من نفس المستوى، وكيخدم فالطرف بسرعة أكبر وبطاقة أقل.
منظومة واسعة ديال الشرائح: كيغطي AMD وإنتل وميدياتك وكوالكوم، وزايد عليها昇腾 و海光 و昆仑芯 و摩尔线程، مع تكييف Day0 لـ9 شرائح صينية.

مستودع GitHub: https://github.com/OpenBMB/MiniCPM
مستودع الموديل فـHuggingFace: https://huggingface.co/collections/openbmb/minicpm5

معالجة الوثائق الحساسة للخصوصية: محاضر الاجتماعات والعقود والإيميلات الداخلية كتتعالج محلياً بالأسئلة والتلخيص، والبيانات ما كتخرجش من الجهاز نهائياً.
التوظيف والموارد البشرية: فرز السير الذاتية بالجملة محلياً، واستخراج معلومات المرشحين ومقارنتها بشكل مهيكل، بلا رفع السير الذاتية للسحابة.
مساعد البرمجة فالطرف: إكمال الكود واقتراحات تصحيح الأخطاء وحتى إصلاح العيوب على مستوى المستودع كتدار بلا إنترنت، مع الحفاظ على أمان أصول الكود.
البحث المعمق المحلي: التخطيط أوتوماتيكياً لعمليات بحث متعددة المراحل فالويب ودمج الأجوبة، مناسب للدراسة والمقارنة وجمع المعلومات.
التعليم والتصحيح: تصحيح الفروض، شرح الواجبات وتحليل الأخطاء كتدار بالجملة وبالتوازي محلياً، وكتنقص الكلفة على المدارس ومؤسسات الدعم.