MiniCPM5-2B 开源：端侧模型首次具备通用 Agent 能力雏形
端侧也能跑 Agent？MiniCPM5-2B 给出了肯定答案
过去几年，端侧大模型的能力一直在悄悄升级。一开始大家只关心手机能不能跑一个能聊天的模型；后来长文本理解、数学推理、多语言支持陆续被塞进小模型里。现在，一个新的问题冒了出来：Agent 能力，能不能也搬到设备上？
这可不是换个壳子那么简单。一个真正的 Agent 得能听懂目标、拆解步骤、调用工具、根据反馈调整策略，还得在多轮对话里把事情办成。这些活儿以前基本都得靠云端大模型干，因为需要大量算力和复杂的逻辑链。
但随着端侧模型越来越强，这套复杂工作流开始有了本地运行的可能。面壁智能最近的动作，就把这事往前推了一大步。
9 月 8 日，他们开源了新一代端侧语言模型 MiniCPM5-2B。这个只有 20 亿参数的小模型，却把工具调用、深度搜索、代码生成这些 Agent 的核心能力都装了进去。更重要的是，他们没只扔个模型权重出来，连训练配方（比如 RL recipe）、自研强化学习框架 Meshy、奖励驱动的 JustRL II 算法，还有一批 SFT 数据，全都一并开源了——这在当前的大模型圈子里可不多见。
轻量不等于弱，MiniCPM5-2B 在榜单上赢了更大的对手
别看 MiniCPM5-2B 参数少，实力可不弱。在 Artificial Analysis Intelligence Index 榜单上，它在开源模型类别里排第一。这个榜单综合了 9 项测试，涵盖知识推理、代码能力和 Agent 任务执行。结果是，MiniCPM5-2B 拿了 23 分，比 Gemma 4 12B、Qwen3.5 9B 这些参数大得多的模型还高。
专门测 Agent 工作流的那个子榜，它更是以 20 分断层领先，Granite 4.2 8B 只拿了 9 分，Qwen3.5 9B 更是只有 7 分。
效率上也有优势。完成一个任务平均只需要约 21K output tokens，在同规模模型里算很低的。这意味着在手机或笔记本上跑起来更省电、更快。
最让人意外的是，它在真实工作任务评测里，成绩已经接近人类基准线。这说明端侧模型不再只是回答“今天天气怎么样”这种简单问题，而是真能处理实际业务了。
它的“智能密度”也很高——用更少的参数干更多的事。综合能力评测平均分 53.9，超过了 Qwen3.5-2B 等同类模型。而且这个提升不是靠某一项能力拉高平均分，而是在代码、数学、工具调用、搜索等多个维度都比较均衡，属于整体变强。
这些数字背后，真正重要的是：端侧通用 Agent 的雏形，真的出现了。
从预训练到强化学习，全程为 Agent 能力铺路
MiniCPM5-2B 的特别之处在于，它不是后期加了个插件就号称支持 Agent，而是从预训练阶段就开始为 Agent 能力打基础，一路贯穿到 SFT（监督微调）和大规模强化学习对齐。这样确保出来的能力是稳定可用的，不是那种“能跑但总出错”的半成品。
在强化学习阶段，团队用了自家研发的两个关键东西：Meshy 框架和 JustRL II 策略。
Meshy 是个去中心化的 RL 训练框架。它彻底砍掉了传统 RL 里那个中央控制器，也不依赖 Ray。所有训练、推理、奖励计算都被建模成对等服务，靠 TransferQueue 里的数据就绪状态来驱动流程。好处是能轻松在同步、异步、全异步三种模式间切换，扩展性更好。
JustRL II 则是为了解决端侧模型做长思维链 RL 时的老大难问题：训练分数不升反降。原因有两个：一是训练数据噪声多、难度不匹配，奖励信号容易带偏模型；二是 GRPO 算法信用分配太粗糙，面对上万词元的推理链，根本分不清哪步对哪步错。
JustRL II 的解法很实在：数据上，用三阶段流水线筛掉不可靠样本；算法上，给 GRPO 加了个 Critic 模块，实现词元级别的信用分配。实测下来，这招确实管用，RL 后训练带来了明显的性能提升。
实际跑起来什么样？我们试了几个典型任务
光看榜单不够直观，我们自己动手测了测。模型已经开源，感兴趣的人可以自己下载部署。
第一个测试是处理一篇 AI 生成的长会议纪要。我们连续问：“本次会议缺席人员是谁？”“Atlas V2.0 正式上线日期是哪一天？”结果 MiniCPM5-2B 能准确从长文本里提取关键事实，还能区分讨论过程和最终结论，给出的答案完全正确，日常办公够用了。
第二个任务是从 5 份简历里提取每个人的姓名、年龄、工作年限、核心技能，再整理成结构化表格。模型不仅准确抓取了信息，还完成了后续的匹配分析。整个过程数据没离开本地，对企业来说，这类涉及敏感信息的任务，放在端侧跑显然更安心。
第三个测试是网页生成。我们只给了个简单描述，比如“做一个包含导航栏、产品介绍和联系表单的页面”，MiniCPM5-2B 就生成了完整的 HTML/CSS/JS 代码，布局合理，功能模块齐全。
这几个例子说明，MiniCPM5-2B 确实开始具备“理解任务—处理信息—生成结果”的端侧 Agent 能力了。
不只开源模型，连数据治理方法也一并公开
除了算法，数据质量对端侧模型尤其关键。参数有限，就必须用更高质量的数据来弥补。面壁智能这次把支撑 MiniCPM5-2B 的数据体系也开源了，包括新工具 UltraX 和三个数据集。
UltraX 是个函数调用式的精炼框架。和传统用大模型重写整篇文本不同，它训练了一个只有 0.6B 参数的小模型，专门预测编辑操作：保留、删除、替换、插入。然后由一个确定性执行器把这些操作应用到原文上。
传统做法是文档级过滤——整篇文章质量差就全扔掉。但好内容和垃圾常常混在一起，全扔损失太大。UltraX 像个精细编辑，逐行判断“这段留、那段删、这句换个说法”。这样既避免了重写带来的语义漂移，又因为编辑操作可保存、可审计，整个过程完全透明。
效果上，在 FineWeb、RedPajama-v2 等五个主流语料上验证，用 UltraX 精炼后的数据训练 1B 模型，只用 16B tokens 就超过了原始数据训满 20B tokens 的效果。目前 UltraX 已经开源，一度登顶 Hugging Face Datasets Trending 榜首。
同时开源的还有三个数据集：
- UltraData-Code：做代码数据分级治理。从 1.92 亿 GitHub 仓库起步，经过多轮过滤、去重，最后聚焦到算法相关代码，并拆解成任务描述、解题分析、参考实现和测试代码对齐的结构化样本。
- UltraData-SFT-Agent-2609：约 50 万条 Agent 训练样本，覆盖工具调用、网页搜索、代码执行、Office 文档处理、金融数据库交互等场景，既有短指令，也有需要多轮规划的长任务。
- UltraData-RL-2609：超 8 万条 RL 训练数据，专门针对数学、代码、问答和长文本理解。通过三阶段流水线解决“答案无法验证”“奖励不可信”“难度不匹配”三大痛点，提供高质量训练信号。
其实，数据开源一直是面壁智能和 OpenBMB 社区的重点。过去几年他们已经开源了 UltraChat、UltraFeedback、UltraInteract_sft 等 10 多个数据集，覆盖预训练、对齐、推理全流程。截至 2026 年 9 月，UltraData 系列下载量已超 266 万次。
开发者能拿它做什么？
MiniCPM5-2B 从设计之初就考虑了开发者体验。
推理端，它支持 SGLang、vLLM、llama.cpp、Ollama、Hugging Face，还有面壁自研的 CPU 推理框架 Arclight，基本覆盖了所有主流本地和云端部署方式。
微调端，兼容 Llama Factory 和 ms-swift，开发者可以快速用自己的数据做领域定制。
最值得期待的应用，是那些对隐私敏感的任务：聊天记录整理、会议纪要分析、合同问答、内部邮件处理……这些事如果交给云端模型，数据就得上传，企业总有顾虑。端侧模型让数据留在本地，既降低隐私风险，又省了云端调用费用。
另外，端侧 Agent 能力也让批量任务变得高效。比如同时批改几十份试卷、筛选上百份简历、并行拆分合同集，现在都可以在本地低成本完成。
端侧 Agent 的出现，意味着什么？
过去几年，大模型竞赛主要在云端上演：拼参数、拼算力、拼训练成本。但 AI 要真正融入日常生活和产业流程，光有云端超级大脑还不够。用户需要的是触手可及的智能——就在自己的设备上。
MiniCPM5-2B 的意义，就是在有限参数下，把 Agent 的核心能力搬到了端侧。它证明了，20 亿参数的模型也能理解任务、调用工具、完成工作，而不只是一个轻量版聊天机器人。
更关键的是，面壁智能这次开放的不是单一模型，而是一整套方法论：从数据精炼、预训练、SFT 到强化学习，连框架和算法都一并开源。开发者拿到的不仅是一个可用的模型，更是一套可以继续迭代和创新的基础设施。
未来的 AI 形态，很可能不是只有云端一种答案。云端负责超复杂推理，设备侧处理高频、隐私敏感的任务，两者协同，才是更可持续的路径。
2B 参数当然不是终点，但它清晰地划下了一条线：当 Agent 能力开始进入端侧，AI 正在从遥远的数据中心，走向每个人手中的设备。