openbmb/MiniCPM-o-4_5

MiniCPM-o 4.5 是 openbmb 在 Hugging Face 上推出的 9B 参数多模态模型，支持视觉、语音、OCR 与全双工直播工作流，并提供指令与思考模式及多种部署方式。

概述

MiniCPM-o 4.5 是 openbmb 在 Hugging Face 上推出的一个多模态模型，将视觉、语音和直播能力整合到一个端到端系统中。模型卡将其描述为 MiniCPM-o 系列中最新、能力最强的模型，由 SigLip2、Whisper-medium、CosyVoice2 和 Qwen3-8B 构建，总计 9B 参数。

来源重点介绍了该模型的四项主要任务：视觉理解、实时语音对话、全双工多模态直播，以及 OCR/文档解析。它还指出，该模型支持英语和中文的双语语音，整体覆盖 30 多种语言，并提供多种部署路径，从 Nvidia GPU 上的 PyTorch 到 llama.cpp、Ollama、vLLM、SGLang、量化格式和 FlagOS。

主要特性

9B 参数多模态模型

该模型由 SigLip2、Whisper-medium、CosyVoice2 和 Qwen3-8B 端到端构建，总计 9B 参数，并被呈现为 MiniCPM-o 系列中的最新模型。

指令与思考模式

MiniCPM-o 4.5 在单一模型中同时支持指令模式和思考模式，用户无需切换模型即可在更快响应与更深层推理行为之间进行选择。

语音对话能力

该模型支持英语和中文的双语实时语音对话、可配置的助手音色、声音克隆，以及基于简短参考音频的角色扮演。

全双工直播

它可以同时处理连续音频和视频流，并并发生成文本与语音输出，从而实现不受模态阻塞的全双工实时交互。

高分辨率视觉输入

该模型可处理最高 180 万像素的高分辨率图像和最高 10 fps 的高帧率视频，并被描述为在 OCR 和文档解析任务上表现出色。

多种推理与部署选项

页面列出了多种部署路径，包括在 Nvidia GPU 上使用 PyTorch、llama.cpp、Ollama、量化 int4 和 GGUF 模型、vLLM、SGLang 以及 FlagOS 支持。

常见用例

多模态助手工作流
当你需要一个既能回答图像、文档页面或其他视觉输入问题，又能处理语音交互的单一系统时，可使用该模型。
实时语音助手
适用于必须实时倾听并响应的直播对话代理，包括支持英语和中文语音交互且音色可配置的场景。
全双工直播
适用于将摄像头输入与音频结合并持续输出的应用，例如演示体验、具身接口或实时场景讲解。
文档与 OCR 处理
当 OCR 或文档解析是工作的一部分时可使用，尤其适合高分辨率页面和图像密集型工作流。
本地与优化部署
当你需要通过 PyTorch、llama.cpp、Ollama、vLLM、SGLang 或量化格式进行本地或优化推理时，可使用可部署版本和运行时支持。

Pros and Cons

Pros

将视觉、语音和流式行为整合到一个模型中，而不是需要多个独立系统。
同时支持指令模式和思考模式，让用户可以在效率和更深层推理之间进行选择。
提供多种部署选项，包括偏向 CPU 的路径、量化路径以及更高吞吐量的运行时。
支持多语言语音和超过 30 种语言，扩大了实际使用场景。
在通用多模态理解之外，还包含 OCR 和文档解析能力。

Cons

来源将基础使用描述为在 Nvidia GPU 上进行 PyTorch 推理，因此最直接的设置并不适合所有环境，且不够轻量。
某些能力，如全双工直播和主动交互，属于专业功能，相比标准单轮推理可能需要更复杂的集成。
收集到的定价信息针对的是 Hugging Face 的通用服务，而不是 MiniCPM-o 4.5 的模型专属定价。

FAQ

MiniCPM-o 4.5 是什么类型的模型？

MiniCPM-o 4.5 被定位为用于视觉、语音和全双工直播的多模态模型。它被描述为一个同时支持指令模式和思考模式的单一模型。

MiniCPM-o 4.5 可以如何运行？

来源说明该模型可通过在 Nvidia GPU 上进行 PyTorch 推理用于基础使用，也支持 llama.cpp 和 Ollama 进行 CPU 推理、支持量化 int4 和 GGUF 格式、支持用于更高吞吐量推理的 vLLM 和 SGLang，以及用于统一多芯片后端插件的 FlagOS。

除了文本和图像理解之外，该模型还支持什么？

该模型被描述为支持英语和中文的实时语音对话，以及全双工多模态直播，即在处理视频和音频输入的同时并发生成文本和语音输出。

文中提到哪些输入类型和语言覆盖？

模型卡说明 MiniCPM-o 4.5 可以处理最高 180 万像素的高分辨率图像、最高 10 fps 的高帧率视频，并支持超过 30 种语言的多语言能力。

在 Hugging Face 上使用该模型是否有公开定价？

Hugging Face 的定价页面确认 Hugging Face 提供付费基础设施和推理服务，但所收集的来源并未提供 MiniCPM-o 4.5 的模型专属定价。

Quick Facts

提供方: openbmb
平台: Hugging Face
模型类型: 多模态模型
模态: 视觉、语音、音频、视频、文本
参数量: 9B
来源域名: huggingface.co