MiniCPM-V 4.5: Оптимизация многоязычных языковых моделей через архитектуру, данные и методику обучения

MiniCPM-V 4.5: Cooking Efficient MLLMs via Architecture, Data, and Training Recipe

September 16, 2025

Авторы: Tianyu Yu, Zefan Wang, Chongyi Wang, Fuwei Huang, Wenshuo Ma, Zhihui He, Tianchi Cai, Weize Chen, Yuxiang Huang, Yuanqian Zhao, Bokai Xu, Junbo Cui, Yingjing Xu, Liqing Ruan, Luoyuan Zhang, Hanyu Liu, Jingkun Tang, Hongyuan Liu, Qining Guo, Wenhao Hu, Bingxiang He, Jie Zhou, Jie Cai, Ji Qi, Zonghao Guo, Chi Chen, Guoyang Zeng, Yuxuan Li, Ganqu Cui, Ning Ding, Xu Han, Yuan Yao, Zhiyuan Liu, Maosong Sun

cs.AI

Аннотация

Мультимодальные крупные языковые модели (MLLMs) стремительно развиваются и представляют собой передовой рубеж в области искусственного интеллекта. Однако их эффективность в обучении и выводе стала ключевым ограничением, препятствующим их более широкому распространению и масштабируемости. Для решения этих проблем мы представляем MiniCPM-V 4.5 — модель с 8 миллиардами параметров, разработанную для высокой эффективности и производительности. Мы внедрили три ключевых улучшения в архитектуру модели, стратегию работы с данными и метод обучения: унифицированную архитектуру 3D-Resampler для компактного кодирования изображений и видео, унифицированную парадигму обучения для работы с документами и распознавания текста без сложной обработки данных, а также гибридную стратегию обучения с подкреплением для эффективного выполнения задач как в коротких, так и в длинных режимах рассуждений. Результаты комплексных экспериментов в рамках оценки OpenCompass показывают, что MiniCPM-V 4.5 превосходит широко используемые проприетарные модели, такие как GPT-4o-latest, и значительно более крупные открытые модели, такие как Qwen2.5-VL 72B. Примечательно, что высокая производительность достигается с выдающейся эффективностью. Например, на широко применяемом бенчмарке VideoMME MiniCPM-V 4.5 демонстрирует наилучшие результаты среди моделей с размером менее 30 миллиардов параметров, используя всего 46,7% затрат памяти на GPU и 8,7% времени вывода по сравнению с Qwen2.5-VL 7B.

English

Multimodal Large Language Models (MLLMs) are undergoing rapid progress and represent the frontier of AI development. However, their training and inference efficiency have emerged as a core bottleneck in making MLLMs more accessible and scalable. To address the challenges, we present MiniCPM-V 4.5, an 8B parameter model designed for high efficiency and strong performance. We introduce three core improvements in model architecture, data strategy and training method: a unified 3D-Resampler model architecture for highly compact encoding over images and videos, a unified learning paradigm for document knowledge and text recognition without heavy data engineering, and a hybrid reinforcement learning strategy for proficiency in both short and long reasoning modes. Comprehensive experimental results in OpenCompass evaluation show that MiniCPM-V 4.5 surpasses widely used proprietary models such as GPT-4o-latest, and significantly larger open-source models such as Qwen2.5-VL 72B. Notably, the strong performance is achieved with remarkable efficiency. For example, on the widely adopted VideoMME benchmark, MiniCPM-V 4.5 achieves state-of-the-art performance among models under 30B size, using just 46.7\% GPU memory cost and 8.7\% inference time of Qwen2.5-VL 7B.