面壁小钢炮 MiniCPM-V 2.6 模型重磅上新，端侧多模态能力超越 GPT-4V

模型采用int4量化，后端配备6G内存，端侧推理速度高达/s，相比上一代模型提升33%，一发布就支持llama.cpp，vllm推理，支持多种语言。

实时视频理解、多图联合理解、多图ICL视觉类比学习、多图OCR等功能首次被放到端侧多模态模型中，让模型能够更充分发挥端侧AI传感器丰富、贴近用户的优势，能够理解拍摄视频时摄像头捕捉到的文字、从多张收据照片中快速识别票面金额并计算总金额、读取单张或多张表情包。

-V 2.6的单个token编码像素密度（token）是GPT-4o的两倍，得益于视觉token相对于上一代减少了30%，比同类模型减少了75%。

地址：

llama.cpp、vllm部署教程地址：

系列开源地址：

1. 单图像、多图像和视频理解 SOTA，以及与 GPT-4V 相当的设备上多模态性

新一代-V 2.6在仅8B参数的情况下，实现了与GPT-4V相当的综合性能，单图、多图、视频理解三大多模态核心能力全面超越GPT-4V，并在20B参数以下均实现了SOTA模型性能。

在知识压缩率方面，-V 2.6实现了最高的多模态大模型像素密度（Token）是GPT-4o的两倍。Token=编码像素数/视觉Token数，指的是单个Token所携带的像素密度，也就是图像信息密度，直接决定了多模态模型的实际运行效率，数值越大，模型运行效率越高。

▲通过API收费法对闭源模型的token进行估算，结果显示-V 2.6是所有多峰模型中token最高的。

1）单图：在权威综合评测平台上，单图理解能力超越1.5 Pro和GPT-4o mini。

2）多图像：在权威多图像评测平台Eval list上，-V 2.6的多图像联合理解能力达到SOTA开源模型，超越GPT-4V。

3）视频：根据权威视频评测平台Video-MME榜单显示，-V 2.6的视频理解能力已经达到端侧SOTA，超越GPT-4V。

此外，在手机上，小米10 Pro 2.6的OCR性能实现开源+闭源模型SOTA，延续并强化了小米10 Pro系列最强端侧OCR能力的传统优势。

在幻觉测评榜上，-V 2.6的幻觉水平（幻觉率越低越好）已经优于GPT-4o、GPT-4V 3.5等多款商用型号。

2.首次实现实时视频理解，快速概括视频中密集的文字信息

手机、PC、AR、机器人、智能汽车等端侧设备上的摄像头，具备天然的多模态输入能力，因此相较于云端，端侧视频理解有其自身的优势，更贴近用户、链路更短、效率更高、隐私安全性更强。

-V 2.6首次让实时视频理解功能在终端上运行，在实时拍摄过程中能够精准识别摄像头捕捉到的场景中的文字。

该模型还能快速概括长视频中的关键信息，例如其视频OCR功能可以在不听到任何语音的情况下识别48秒天气预报视频中密集的文字，并给出不同视频片段中不同城市的详细天气描述。

▲代码环境中复现结果

3.首次实现多张图片合并，可用于计算小额收据、读取表情包

最新发布的-V 2.6首次将多图像联合理解、多图像ICL（ few-shot ）功能融入端侧模型，实现流畅的多图像多轮理解。

比如遇到日常记账或者报销，拍下多张收据交给-V 2.6，基于强大的OCR能力+CoT（思路链），不仅可以识别每张收据的金额，还能算出总金额。

客户端的多模态复杂推理能力也被刷新，比如我们在官方的GPT-4V演示中就遇到了这个经典命题：调整自行车座。这个问题对于人类来说很简单，但对于模型来说却非常困难，非常考验多模态模型的复杂推理能力和对物理常识的掌握能力。

-V 2.6可以通过多图片、与模型多轮对话的方式，清晰的告诉你放下自行车座垫的每一个详细步骤，还能根据说明书和工具箱帮你找到合适的工具。

-V 2.6的多图复杂推理能力同样出色，不仅能联合识别多张图片的表面信息，还能“读懂”表情包背后的弊端。

比如，让模型讲解下面两张图片背后的故事。-V 2.6 可以将多图联合理解与 OCR 能力相结合，通过 OCR 精准识别出两张图片上的文字：“WFH 8:59 AM”和“WFH 9:00 AM”，并推断出“WFH”的居家办公状态。然后根据两张图片的视觉信息，联合推断出居家办公的“疯狂”状态：“在家办公时，8 点 59 分还在床上睡觉，9 点就立刻出现在视频会议中”。

单张图片是没有问题的。-V 2.6可以轻松“读懂”模因图片中隐藏的很多潜台词。

4.多图ICL首次上线终端！大模特学会猜想和模仿

很多场景无法单用语言解释清楚，需要视觉信息来辅助理解，这时候多图像ICL（In-）小样本学习功能就非常有必要，可以让模型无需微调就能快速适应特定领域和任务，显著提升模型输出的稳定性。

比如，给出两组戏剧性的转场，并用文字描述画面中的“梗”：一个厨师戴着手套，讲究卫生，但下一秒却用戴着手套的手直接拿起了脏兮兮的钞票；一个看似热衷环保的人，打开塑料瓶装水，放入环保水壶里……

-V 2.6能从前面两组图文关系中自动揣摩出提问者的意图，并自动学习“答案模板”，给出类似“魔术转折”的答案：一个人持有大量加密数字货币，但你猜怎么着，他出去购物，但商店只收现金。

5、统一高清可视化架构，实现高效的能力传递与知识共享

-V 2.6的单图、多图、视频理解核心能力完全可以媲美GPT-4V，这除了得益于Qwen2-7B基础模型的性能提升，也得益于采用了统一的高清视觉架构。

其将-V单图场景的“180万高清图像分析”的能力迁移和知识共享，无缝拓展到多图场景和视频场景，并将这三大视觉理解场景形式化为图文交替的语义建模问题，共享底层的视觉表征机制，并实现视觉token数量相比同类模型节省75%以上。

-V 2.6在OCR信息提取的基础上，可以进一步对表格信息进行类似于CoT（思路链）的复杂推理。

例如，如果要求模型计算2008年奥运会金牌数最多的三个国家所获金牌数的总数，则CoT的流程为：首先利用OCR功能识别并提取奖牌表中金牌数排名前三的国家，然后将前三个国家所获金牌数的总数相加。

还有8.2%的超低幻读率，以及增强的复杂推理能力和通用领域多图联合理解能力，这得益于RLAIF-V的高效对齐技术。

多模态复杂推理能力对齐方面，-V 2.6通过复杂问题CoT解数据构建高效对齐种子数据，并通过模型自迭代完成数据净化和知识学习。