AA 榜单第一！端侧模型，也能做通用 Agent—MiniCPM5-2B 做到了！

全球 4B 参数规模以下开源基座模型的新榜首，居然是一个 2B 模型！

9 月 8 日，面壁智能与 OpenBMB 社区正式开源新一代端侧「小钢炮」——MiniCPM5-2B。在国际权威基准 Artificial Analysis Intelligence Index（AA 榜单）的最新评测中，MiniCPM5-2B 以 23 分的综合成绩登顶全球 4B 以下开源基座模型第一。

更引人注目的是其在智能体任务上的断层式领先：在专门评测 Agent 能力的 Agentic Index 指标上，MiniCPM5-2B 斩获 20 分。这一成绩不仅让同级 2B-4B 模型（普遍仅 2 分）难以望其项背，甚至超越了包括 Qwen3.5 9B、Gemma 4 12B 等参数量数倍于己的模型，展示出了端侧模型探索通用 Agent 的可能性。

与行业内普遍的模型仅开放权重不同，面壁智能与 OpenBMB 此次同步开源了 MiniCPM5-2B 背后的训练 Recipe（配方）、RL 框架及核心数据集，造福广大开发者！

AA 榜单 4B 以下性能第一，Agent 能力断层领先

按照 AA Index 最新榜单成绩，MiniCPM5-2B 是全球 4B 参数以下得分最高的开源模型（23分），高于参数量甚至数倍于己的 Gemma 4 12B（22分）、Qwen3.5 9B（22分）、Qwen3.5 4B（20分）。

如果把所有模型按「参数量—得分」放进同一张坐标系，会看得更清楚：根据 AA 榜单，在 4B 参数规模之下，MiniCPM5-2B 站在整条帕累托线的最顶端，先前开源的 MiniCPM5-1B 版本也落在这条线上——两个尺寸，各自占住了同级别的性能天花板。

这正是面壁智能所坚持的「密度定律」最直观的印证：MiniCPM5-2B 以极高的单位参数智能密度，仅用约一半的参数体量（2B），就跑出了领先于 4B 模型的智能水平。

高分不是靠「堆 token 硬想」换来的。在完成同样的 Intelligence Index 任务时，MiniCPM5-2B 平均只消耗 21k 输出 token（其中推理 14k、回答 7k），处于全场最低一档——而得分相近的 Qwen3.5 9B 需要 34k，Granite 4.2 8B 需要 26k。对端侧部署来说，这意味着更快的响应和更低的推理成本。

本次评测覆盖通用知识、数学与代码推理、指令遵循、长文本、工具调用等任务。但比总榜名次更值得注意的是其 Agent 能力：在 AA Agentic Index 上，MiniCPM5-2B 拿下 20 分——不仅是第二名 Granite 4.2 8B（9 分）的两倍以上，更远超 gpt-oss-20b（3 分）等参数量十倍于己的模型；而多数同级端侧模型仅有 2 分，拉开明显差距。

在衡量真实工作任务完成度的 GDPval-AA v2 榜单上（以人类基线 1000 分为锚点的 Elo 评分），MiniCPM5-2B 拿到 891 分，是所有参评模型中最接近人类水平的一个，领先第二名 Granite 4.2 8B（702 分）近 190 分，更把同尺寸模型（如：Granite 4.2 3B 325 分、Ministral 3 3B 286 分）远远甩在身后。

根据公开数据集的评测，MiniCPM5-2B 在「通用智能体 」、「搜索智能体 」、「工具调用」、「代码推理」等关键维度上均斩获最高分，用实际结果验证了通用 Agent 能力在高密度端侧模型上的技术可行性，为「端侧 Agent」打开了新的想象空间。

端侧 Agent 的落地价值，也正在变得更加清晰：

• • 隐私安全：在用户授权和操作系统权限机制允许的范围内，端侧 Agent 可以直接读取屏幕内容、调用本地应用，并处理设备上的本地数据——这些权限出于安全原因很难完全开放给云端服务。因此，「处理敏感重要信息」「实时感知用户状态」等体验可能会是端侧相对云端的能力增量。
• • 离线可用与确定性响应：端侧模型的核心推理不依赖网络连接和远程服务，因此可以减少网络波动、云端限流或服务故障带来的影响。对嵌入操作系统和硬件产品的 Agent（手机、车机、机器人），这种确定性比绝对速度更重要。
• • 成本优势：在硬件已经购置的前提下，本地推理通常不需要按照调用次数或 Token 数量持续支付云端 API 费用。对于常驻个人助理、每日自动化流程等长期高频 Agent 任务而言，端侧方案有望降低长期使用成本。

要知道，Agent 应用能否规模化，推理成本是其中一个重要约束，一个复杂 Agent 任务动辄消耗数十万 token。如果高密度端侧模型能承接相当一部分 Agent 工作任务，整个应用层的成本结构会发生实质性变化——这可能是 MiniCPM5-2B 最值得继续观察的行业价值。

在开源生态支持上，MiniCPM5-2B 延续了面壁智能一贯的开放性：微调侧已适配 LLaMA-Factory、ms-swift，推理侧覆盖 vLLM、SGLang、llama.cpp、Ollama 等主流框架，开发者在常规硬件上即可快速部署验证。截至2026年8月，MiniCPM 系列模型的开源下载量已突破 5000 万——社区用下载量投的票，往往比跑分更诚实。

那么问题来了：一个 2B 的模型，凭什么能够承载起复杂的 Agent 能力？

从数据治理到训练体系：高密度端侧模型是怎样炼成的

当参数规模受到端侧设备的硬约束时，底层的数据治理与训练技术栈就成为决定模型上限的关键变量。

在数据侧，这次与 MiniCPM5-2B 一同开源的四个数据集，将数据治理延伸到了训练流程的不同环节：

• • UltraX（预训练）：用一个 0.6B 的小模型，对网页数据做「行级别」的自动编辑，避免了让大模型端到端改写整篇文本带来的语义漂移，原文的信息保真度更高，并且整个精修过程可审计、可追溯。用 UltraX 修复后的数据训练 1B 规模模型，160 亿 token 达到了原始数据训 200 亿 token 的效果。换算下来，同样的算力预算，数据处理得好，能「省」出 20% 的训练量。对于「寸 token 寸金」的预训练来说，这不是小数字。
• • UltraData-Code（代码预训练）：按 L0–L3 分级治理，从 约 1.92 亿个 GitHub 仓库逐级精炼，完成 L1 清洗去重、L2 算法代码筛选（约 400B Token）和 L3 任务导向的结构化合成（约 150B Token），将真实代码转化为任务、推理、实现与测试对齐的高质量训练样本；
• • UltraData-SFT-Agent-2609（SFT）：包含 50 多万条 Agent 训练样本，覆盖从基础工具调用到长链路复杂工作流等多样化的任务，为端侧 Agent 模型提供全链路训练信号；
• • UltraData-RL-2609（RL后训练）：针对答案不可验证、奖励标签不可信、难度不匹配三大痛点，设计了「可验证性过滤→多模型共识校验→rollout 难度筛选」的三阶段清洗流水线，为强化学习提供高信噪比的奖励信号。

在训练框架侧，面壁智能随 MiniCPM5-2B 一同开源了全新的自研强化学习框架 Meshy。Meshy 彻底去掉了 RL 训练的中央控制器和 Ray 依赖，将训练、推理、奖励计算等全部建模到对等服务，利用 TransferQueue 中的数据就绪状态来驱动实际控制流，能够简单的在同步、异步、全异步三种训练模式中灵活切换，便于扩展。

在算法层面，端侧模型做长思维链强化学习，常常训练过程中分数不升反降：一方面训练数据里噪声多、难度不匹配，奖励信号容易带偏模型；另一方面 GRPO 信用分配太粗糙，面对上万词元的推理链，分不清哪步对、哪步错。为此，MiniCPM 团队提出基于奖励的强化学习策略 JustRL II：数据上，用三阶段流水线筛选校准训练数据；算法上，给 GRPO 装上 Critic，实现词元级信用分配。在 JustRL II 加持下，MiniCPM5-2B 在 RL 后训练中获得了显著的性能收益。

从行级精修的数据管线，到底层自研的轻量框架与信用分配算法，这些技术最终转化成了 MiniCPM5-2B 的智能密度。

同样值得关注的是面壁智能在开源生态层面的选择：面壁智能并未将这些筑起性能壁垒的核心资产留作私产，而是将模型权重 + 训练 Recipe + 四个训练数据集一并开源了。

熟悉开源大模型生态的人应该能看出这份清单的分量，这在头部大模型团队里是绝对罕见的做法。面对行业普遍将数据视为「绝对黑箱」的现状，不妨来算一算面壁智能这本不同寻常的「开源账」。

一本开源账：十个数据集，三年时间线

行业里有个心照不宣的共识：数据管线是各家真正的护城河。

厂商不公开数据的理由也不难理解：模型架构写进论文，半年内就会被全行业消化；真正留得住的差距在数据管线——数据从哪来、怎么筛、怎么配比、怎么合成等等。所以如果较真去看，绝大多数所谓的「开源模型」，开的其实只是权重。

开放源代码促进会（OSI）在 2024 年发布「开源 AI 定义」（OSAID）时，就曾因为「是否必须公开训练数据」引发过一轮激烈争论——按照严格标准，市面上能称得上「开源 AI」的大模型寥寥无几。「open weights」（开放权重）这个更精确的说法在学界越来越通行，某种程度上就是对现状的一种妥协性描述。

这种现状的后果由社区承担——数据黑箱意味着可复现性差：你可以微调一个开源模型，但你无法验证它为什么是这个水平、无法在它的基础上做真正的训练侧研究。

正因为如此，面壁智能这次 MiniCPM5-2B 的开源动作才更加值得关注。单看一次发布，你可以说这是营销策略。但把时间线拉长看，会发现这件事对面壁智能来说更像是惯性动作。

从 2023 年底至今，面壁智能和它背后的 OpenBMB 开源社区，累计开源了超过 10 个大模型训练数据集，覆盖网页语料、数学、代码、对话、偏好对齐等几乎所有训练环节：

2023 年 4 月，UltraChat。 约 150 万条合成多轮对话，至今已被全球超过 200 个大模型用于对齐训练，月均下载量破百万，成为开源微调领域引用最广的数据基座之一。

2023 年 12 月，UltraFeedback。 6.4 万条提示词、38 万条 GPT-4 反馈的偏好数据集，可用于训练奖励模型。基于它训练的 UltraRM 曾刷新开源奖励模型的 SOTA，Zephyr-7B 等社区明星模型的对齐训练均采用了该数据集。

2025 年 12 月，Ultra-FineWeb。 约 1T 英文 + 120B 中文 token 的高质量网页预训练语料，开源后登上过 Hugging Face 热门榜第一。

2026 年，节奏明显加快。 2 月的 UltraData-Math（290B+ token 的分级数学语料）、5 月的 Ultra-FineWeb-L3（600B token，其中中文 200B+，是目前开源社区规模最大的中文预训练合成数据集之一）、7 月的 UltraX-Preview、8 月的 Ultra-FineWeb-L1，几乎「按月上新」。

截至 2026 年 9 月，UltraData 系列数据集的开源总下载量超过 266 万次。

这条时间线说明两件事。第一，开源数据不是一次性的发布动作，而是面壁智能及 OpenBMB 社区一以贯之的长期贡献。第二，开源的数据绝非边角料，而是实打实进入了全球主流模型训练管线、被反复验证过的高价值资产，不是「开了但没人用」的姿态性开源。

模型跑分是台前的热闹，数据是幕后的苦工。这种「授人以渔」的开源方式，正在实质性地降低社区内研究端侧大模型的门槛，为广大开发者提供了极具研究和复现价值的基石。

通往 AGI 的路上，高质量数据是最厚的地基

数据的功夫做在暗处，但它的回报写在明处——而且不止写在一款模型上。把这次 MiniCPM5-2B 开源放进行业坐标系里看，它回应的其实是一个更大的问题：当算力红利见顶，模型能力的增量从哪里来？

过去几年，提升模型能力最直接的路径是堆参数、堆算力，但这条路的边际收益在肉眼可见地递减——参数翻倍带来的提升越来越小，成本却照旧翻倍。当「更大」不再自动等于「更好」，各家比拼的重心就在向数据侧转移。数据治理正在从不见光的后台工作，变成决定成败的核心竞争力。MiniCPM5-2B 综合性能登顶全球同级模型，本身就是这个判断的一个证明。

从长期看，开源训练数据以及数据治理的工具和方法，可能比开源模型本身对行业的持续影响更大。一个模型的先进性是有保质期的，几个月后就会被新模型盖过；但一套公开的修复方法、一个人人可用的 0.6B 修复工具、一批高质量的数据集，是别人可以接着往上盖的地基。

模型开源给行业的是一件成品，数据治理开源给行业的是造成品的能力——后者的复利，要用更长的时间尺度才能看清。

MiniCPM5-2B 开源链接 （含模型与 UltraData 系列数据）：

• • Hugging Face：https://huggingface.co/collections/openbmb/minicpm5
• • GitHub：https://github.com/OpenBMB/MiniCPM

Meshy 框架开源链接：

• • GitHub：https://github.com/OpenBMB/Meshy
• • 博客：https://maydomain.notion.site/meshy-blog-zh

JustRL II 强化学习算法：

• • 博客：https://panhaoxuan.notion.site/justrl-ii-small-llms-to-128k-reasoning-with-a-critic-cn

如果本文对您有帮助，也请帮忙点个 赞👍 + 在看 哈！❤️

在看你就赞赞我！