OpenBMB/MiniCPM-V

これは何？

主な機能

• 01MiniCPM-V 4.7による画像、複数画像、文書、動画の理解。
• 02MiniCPM-o 4.5によるリアルタイムの全二重音声・動画対話。
• 03オンデバイス推論の最適化を備えた35B-A3B MoE版と1B版。
• 04int4、FP8、AWQ、GPTQ、GGUF形式の量子化済み重み。
• 05iOS、Android、HarmonyOS、およびIntel、AMD、Arm、Rockchipなど複数のチッププラットフォームへのデプロイ。
• 06Hugging Face、ModelScope、Ollama、APIからの利用。

ユースケース

• データをクラウドに送信せず、スマートフォンやノートPCで視覚言語モデルを実行する。
• ローカルアプリケーションに文書や画像の質問応答機能を組み込む。
• ストリームを見ながら音声で応答できる、リアルタイムの音声・動画アシスタントを構築する。
• 既存の能力を忘れにくくしながら、新しい機能を追加するためにマルチモーダルモデルをファインチューニングする。

クイックスタート

1. 1

   Hugging Face、ModelScope、またはOllamaからモデルの重みを取得します（リンクは「Model Weights」表にあります）

2. 2

   実行方法については、READMEの「get-started」セクションを確認してください

使う前に知っておきたいこと

• !35B-A3Bバリアントはサイズが大きく、かなりのメモリが必要です。また、デバイス上で使用するにはSSDへのエキスパートオフロードが必要です。
• !READMEの抜粋には直接インストールできるパッケージのコマンドが記載されていないため、セットアップはリンク先のモデルページとドキュメントに依存します。

トピック

よくある質問

MiniCPM-V とは？

ローカルやオンデバイス環境で画像、動画、文書、音声を理解するオープンソースのマルチモーダルモデル（MiniCPM-V 4.7、MiniCPM-o 4.5）。 MiniCPM-VとMiniCPM-oは、THUNLPとModelBestが開発するオープンソースのマルチモーダル大規模言語モデルファミリーです。MiniCPM-V 4.7は画像、複数画像、文書、動画を理解し、35B-A3BのMixture-of-Experts版と1B版があります。MiniCPM-o 4.5は9BのエンドツーエンドOmnimodalモデルで、動画と音声のストリームを受け取りながら音声とテキストを生成し、リアルタイムの全二重会話に対応します。

MiniCPM-V は無料で使えますか？ライセンスは？

MiniCPM-V は Apache-2.0 ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

MiniCPM-V は今もメンテナンスされていますか？

活発にメンテナンス中。MiniCPM-V の最終コミットは 2026年10月16日 です。

MiniCPM-V は何に使えますか？

データをクラウドに送信せず、スマートフォンやノートPCで視覚言語モデルを実行する。 ローカルアプリケーションに文書や画像の質問応答機能を組み込む。 ストリームを見ながら音声で応答できる、リアルタイムの音声・動画アシスタントを構築する。 既存の能力を忘れにくくしながら、新しい機能を追加するためにマルチモーダルモデルをファインチューニングする。

MiniCPM-V のインストール方法は？

Hugging Face、ModelScope、またはOllamaからモデルの重みを取得します（リンクは「Model Weights」表にあります） 実行方法については、READMEの「get-started」セクションを確認してください

MiniCPM-V はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/OpenBMB/MiniCPM-V