MiniCPM-V-4.6-AWQ

二〇二六年六月六日 · 英文原文

摘要

该仓库提供 OpenBMB MiniCPM-V 4.6 的 AWQ（W4A16, AutoAWQ）量化版本。模型基于 SigLIP2-400M 与 Qwen3.5-0.8B，支持单图、多图和视频理解，采用 4x/16x 视觉 token 压缩，可部署于 iOS、Android、HarmonyOS，并适配 Transformers、vLLM、SGLang、llama.cpp、Ollama 等框架。

本仓库托管 MiniCPM-V 4.6 的 AWQ（W4A16, AutoAWQ）量化版本。 如需原始 BF16 权重和完整 model card，请参阅 openbmb/MiniCPM-V-4.6。

可在手机上进行超高效图像与视频理解的口袋级 MLLM

GitHub | CookBook | Demo | Feishu (Lark)

MiniCPM-V 4.6

MiniCPM-V 4.6 是我们迄今最适合边缘部署的模型。该模型基于 SigLIP2-400M 和 Qwen3.5-0.8B LLM 构建。它继承了 MiniCPM-V 系列强大的单图、多图和视频理解能力，同时显著提升了计算效率。它还引入了混合 4x/16x 视觉 token 压缩。MiniCPM-V 4.6 的主要特性包括：

🔥 领先的基础能力。 MiniCPM-V 4.6 在 Artificial Analysis Intelligence Index benchmark 上得分 13，以少 19x 的 token 成本超过 Qwen3.5-0.8B 的 10 分，并以少 43x 的 token 成本超过 Qwen3.5-0.8B-Thinking 的 11 分。它也超过了更大的 Ministral 3 3B（得分 11）。
💪 强大的多模态能力。 MiniCPM-V 4.6 在大多数视觉语言理解任务上优于 Qwen3.5-0.8B，并在 OpenCompass、RefCOCO、HallusionBench、MUIRBench 和 OCRBench 等多个 benchmark 上达到 Qwen3.5 2B 级能力。
🚀 超高效架构。 基于 LLaVA-UHD v4 中的最新技术，MiniCPM-V 4.6 将视觉编码计算 FLOPs 降低了 50% 以上。这使 MiniCPM-V 4.6 相比更小的模型也能实现更好的效率，相比 Qwen3.5-0.8B 达到约 1.5x 的 token 吞吐量。它还支持混合 4x/16x 视觉 token 压缩率，可在准确率与速度之间灵活切换。
📱 广泛覆盖移动平台。 MiniCPM-V 4.6 可部署到三大主流移动平台——iOS、Android 和 HarmonyOS。所有边缘适配代码均已开源，开发者只需几个步骤即可复现端侧体验。
🛠️ 开发者友好。 MiniCPM-V 4.6 已适配 vLLM、SGLang、llama.cpp、Ollama 等推理框架，并支持 SWIFT、LLaMA-Factory 等微调生态。开发者可以在消费级 GPU 上快速为新领域和新任务定制模型。我们提供了 GGUF、BNB、AWQ 和 GPTQ 格式的多种量化变体。

评测

整体性能（Instruct）

高并发吞吐量

单请求 TTFT (ms)

示例

总览

MiniCPM-V 4.6 可部署到三大主流端侧平台——iOS、Android 和 HarmonyOS。下面的片段是手机设备上的原始屏幕录制，未经剪辑。

用法

使用 Transformers 推理

安装

pip install "transformers[torch]>=5.7.0" torchvision torchcodec

关于 CUDA 兼容性的说明： torchcodec（用于视频解码）可能与某些 CUDA 版本存在兼容性问题。例如，torch>=2.11 默认捆绑 CUDA 13.1，而 CUDA 12.x 环境可能会遇到 RuntimeError: Could not load libtorchcodec 等错误。两种解决方法：
用 PyAV 替换 torchcodec —— 支持图像和视频推理，且不受 CUDA 版本限制：
pip install "transformers[torch]>=5.7.0" torchvision av
安装 torch 时固定 CUDA 版本，使其与环境匹配（例如 CUDA 12.8）：
pip install "transformers>=5.7.0" torchvision torchcodec --index-url https://download.pytorch.org/whl/cu128

加载模型

from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "openbmb/MiniCPM-V-4.6-AWQ"

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(
    model_id, torch_dtype="auto", device_map="auto"
)

# Flash Attention 2 is recommended for better acceleration and memory saving,
# especially in multi-image and video scenarios.
# model = AutoModelForImageTextToText.from_pretrained(
#     model_id,
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

图像推理

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/openbmb/DemoCase/resolve/main/refract.png"},
            {"type": "text", "text": "What causes this phenomenon?"},
        ],
    }
]

downsample_mode = "16x"  # Using `downsample_mode="4x"` for Finer Detail

inputs = processor.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=True,
    return_dict=True, return_tensors="pt",
    downsample_mode=downsample_mode,
    max_slice_nums=36,
).to(model.device)

generated_ids = model.generate(**inputs, downsample_mode=downsample_mode, max_new_tokens=512)
generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text[0])

视频推理

messages = [
    {
        "role": "user",
        "content": [
            {"type": "video", "url": "https://huggingface.co/datasets/openbmb/DemoCase/resolve/main/football.mp4"},
            {"type": "text", "text": "Describe this video in detail. Follow the timeline and focus on on-screen text, interface changes, main actions, and scene changes."},
        ],
    }
]

downsample_mode = "16x"  # Using `downsample_mode="4x"` for Finer Detail

inputs = processor.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=True,
    return_dict=True, return_tensors="pt",
    downsample_mode=downsample_mode,
    max_num_frames=128,
    stack_frames=1,
    max_slice_nums=1,
    use_image_id=False,
).to(model.device)

generated_ids = model.generate(**inputs, downsample_mode=downsample_mode, max_new_tokens=2048)
generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text[0])

高级参数

你可以向 apply_chat_template 传入额外参数来自定义图像/视频处理：

参数	默认值	适用于	说明
`downsample_mode`	`"16x"`	图像与视频	视觉 token 下采样。`"16x"` 会合并 token 以提升效率；`"4x"` 保留 4× 更多 token 以呈现更细节。也必须传给 `generate()`。
`max_slice_nums`	`9`	图像与视频	拆分高分辨率图像时的最大切片数。更高的值会为大图保留更多细节。推荐：图像用 `36`，视频用 `1`。
`max_num_frames`	`128`	仅视频	从视频中采样的主帧最大数量。
`stack_frames`	`1`	仅视频	每秒的总采样点数。`1` = 仅主帧（不堆叠）。`N`（N>1）= 每秒 1 个主帧 + N−1 个子帧；子帧会合成为网格图像，并与主帧交错排列。推荐：`3` 或 `5`。
`use_image_id`	`True`	图像与视频	是否在每个图像/帧占位符前添加 `<image_id>N</image_id>` 标签。推荐：图像用 `True`，视频用 `False`。

注意： downsample_mode 必须同时传给 apply_chat_template（用于正确的占位符数量）和 generate（用于 vision encoder）。其他所有参数只需传给 apply_chat_template。

使用 `transformers serve` 提供服务

Hugging Face Transformers 包含一个轻量级、兼容 OpenAI 的服务器，适合快速测试和中等负载部署。

pip install "transformers[serving]>=5.7.0"

启动服务器：

transformers serve openbmb/MiniCPM-V-4.6-AWQ --port 8000 --host 0.0.0.0 --continuous-batching

发送请求：

curl -s http://localhost:8000/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "openbmb/MiniCPM-V-4.6-AWQ",
    "messages": [{
      "role": "user",
      "content": [
        {"type": "image_url", "image_url": {"url": "https://huggingface.co/datasets/openbmb/DemoCase/resolve/main/refract.png"}},
        {"type": "text", "text": "What causes this phenomenon?"}
      ]
    }]
  }'

处理模型输出中的转义换行符

在某些情况下，模型可能会将转义换行字符 \n 作为字符串字面量输出，而不是实际换行。为了正确渲染文本，尤其是在 UI 层中，可以使用下面的工具函数。该函数会谨慎地将字面量 \n 替换为真实换行，同时保护 \n 具有特定语义的场景。

工具函数：

import re

_PATTERN = re.compile(
    r'(```[\s\S]*?```'       # fenced code blocks
    r'|`[^`]+`'              # inline code
    r'|\$\$[\s\S]*?\$\$'     # display math
    r'|\$[^$]+\$'            # inline math
    r'|\\\([\s\S]*?\\\)'     # \(...\)
    r'|\\\[[\s\S]*?\\\]'     # \[...\]
    r')'
    r'|(?<!\\)(?:\\r\\n|\\[nr])'
)

def normalize_response_text(text: str) -> str:
    """
    Lightweight post-processing: Converts literal '\\n' to actual newlines, 
    while protecting code blocks, inline code, and LaTeX commands.
    """
    if not isinstance(text, str) or "\\" not in text:
        return text
    return _PATTERN.sub(lambda m: m.group(1) or '\n', text)

在 iOS、Android 和 HarmonyOS 平台上部署 MiniCPM-V 4.6

我们已适配 MiniCPM-V 4.6，使其可部署在 iOS、Android 和 HarmonyOS 平台，并且所有边缘适配代码均已完全开源。开发者只需几个步骤即可复现端侧体验。请访问我们的边缘部署仓库查看各平台构建指南，或前往下载页面直接试用预构建应用。

在其他推理和训练框架中使用 MiniCPM-V 4.6

MiniCPM-V 4.6 支持多种推理和训练框架。下面是各框架的快速入门命令。完整细节请参阅我们的 Cookbook。

vllm serve openbmb/MiniCPM-V-4.6-AWQ \
  --port 8000 \
  --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder \
  --default-chat-template-kwargs '{"enable_thinking": false}'

注意： --enable-auto-tool-choice 和 --tool-call-parser qwen3_coder 启用 tool/function calling 支持。如果不需要使用 tool，可以省略这些标志，直接运行 vllm serve openbmb/MiniCPM-V-4.6-AWQ。

curl -s http://localhost:8000/v1/chat/completions -H 'Content-Type: application/json' -d '{
  "model": "openbmb/MiniCPM-V-4.6-AWQ",
  "messages": [{"role": "user", "content": [
    {"type": "image_url", "image_url": {"url": "https://huggingface.co/datasets/openbmb/DemoCase/resolve/main/refract.png"}},
    {"type": "text", "text": "What causes this phenomenon?"}
  ]}]
}'

Tool calling 示例：

curl -s http://localhost:8000/v1/chat/completions -H 'Content-Type: application/json' -d '{
  "model": "openbmb/MiniCPM-V-4.6-AWQ",
  "messages": [{"role": "user", "content": [
    {"type": "text", "text": "北京的天气"}
  ]}],
  "tools": [{
    "type": "function",
    "function": {
      "name": "get_weather",
      "description": "Get the current weather for a given location",
      "parameters": {
        "type": "object",
        "properties": {
          "location": {"type": "string", "description": "City name"}
        },
        "required": ["location"]
      }
    }
  }]
}'

python -m sglang.launch_server --model openbmb/MiniCPM-V-4.6-AWQ --port 30000

curl -s http://localhost:30000/v1/chat/completions -H 'Content-Type: application/json' -d '{
  "model": "openbmb/MiniCPM-V-4.6-AWQ",
  "messages": [{"role": "user", "content": [
    {"type": "image_url", "image_url": {"url": "https://huggingface.co/datasets/openbmb/DemoCase/resolve/main/refract.png"}},
    {"type": "text", "text": "What causes this phenomenon?"}
  ]}]
}'

llama-server -m MiniCPM-V-4.6-Q4_K_M.gguf --port 8080

curl -s http://localhost:8080/v1/chat/completions -H 'Content-Type: application/json' -d '{
  "model": "MiniCPM-V-4.6",
  "messages": [{"role": "user", "content": [
    {"type": "image_url", "image_url": {"url": "https://huggingface.co/datasets/openbmb/DemoCase/resolve/main/refract.png"}},
    {"type": "text", "text": "What causes this phenomenon?"}
  ]}]
}'

ollama run minicpm-v-4.6

在交互式会话中，直接粘贴图像路径或 URL 即可与模型对话。

llamafactory-cli train examples/train_lora/minicpmv4_6_lora_sft.yaml

swift sft --model_type minicpm-v-4_6 --dataset <your-dataset>

许可证

模型许可证

MiniCPM-o/V 模型权重和代码基于 Apache-2.0 许可证开源。

声明

作为 MLLMs，MiniCPM-o/V 模型通过学习大量多模态语料生成内容，但它们不能理解、表达个人观点或作出价值判断。MiniCPM-o/V 模型生成的任何内容均不代表模型开发者的观点和立场。
对于使用 MiniCPM-o/V 模型所产生的任何问题，包括但不限于数据安全问题、舆情风险，或因模型被误导、误用、传播或滥用而产生的任何风险和问题，我们不承担责任。

技术报告与关键技术论文

👏 欢迎了解我们团队 MiniCPM-o/V 及其他多模态项目的关键技术：

技术报告： MiniCPM-o 4.5 | MiniCPM-V 4.5 | MiniCPM-o 2.6 | MiniCPM-Llama3-V 2.5 | MiniCPM-V 2.0

其他多模态项目： VisCPM | RLPR | RLHF-V | LLaVA-UHD | RLAIF-V

引用

如果我们的模型/代码/论文对你有帮助，欢迎引用我们的论文 📝，并为我们点星 ⭐️！

@misc{cui2026minicpmo45realtimefullduplex,
      title={MiniCPM-o 4.5: Towards Real-Time Full-Duplex Omni-Modal Interaction}, 
      author={Junbo Cui and Bokai Xu and Chongyi Wang and Tianyu Yu and Weiyue Sun and Yingjing Xu and Tianran Wang and Zhihui He and Wenshuo Ma and Tianchi Cai and others},
      year={2026},
      url={https://arxiv.org/abs/2604.27393}, 
}

@proceedings{yu2025minicpmv45cookingefficient,
      title={MiniCPM-V 4.5: Cooking Efficient MLLMs via Architecture, Data, and Training Recipe}, 
      author={Tianyu Yu and Zefan Wang and Chongyi Wang and Fuwei Huang and Wenshuo Ma and Zhihui He and Tianchi Cai and Weize Chen and Yuxiang Huang and Yuanqian Zhao and others},
      year={2025},
      url={https://arxiv.org/abs/2509.18154}, 
}

@article{yao2024minicpm,
  title={MiniCPM-V: A GPT-4V Level MLLM on Your Phone},
  author={Yao, Yuan and Yu, Tianyu and Zhang, Ao and Wang, Chongyi and Cui, Junbo and Zhu, Hongji and Cai, Tianchi and Li, Haoyu and Zhao, Weilin and He, Zhihui and others},
  journal={arXiv preprint arXiv:2408.01800},
  year={2024}
}

译自 OpenBMB · HF · 录于二〇二六年六月六日