MiniCPM-V 4.5 vs MiniCPM-V 2.6 深度对比分析

项目简介

今天我们一起看下新出的多模态大模型*MiniCPM-V 4.5**，MiniCPM-V 定位于高效端侧多模态大模型（MLLM），支持图像、视频、文本等多模态输入，具备强大的视觉-语言理解与推理能力。4.5 版本为最新旗舰，2.6 版本为前一代主力。

• MiniCPM-V 4.5：8B 参数，基于 Qwen3-8B + SigLIP2-400M，主打高密度视频理解、可控快/深思考、强大 OCR 与文档解析、端侧高效推理。
• MiniCPM-V 2.6：8B 参数，基于 Qwen2.5-7B + SigLIP-400M，主打多图/视频理解、端侧实时推理、OCR 与多语言支持。

---

模型结构对比

MiniCPM-V 2.6 结构

• 主干：Qwen2.5-7B 语言模型 + SigLIP-400M 视觉编码器。
• 多模态融合：采用 2D-Resampler，将图片/视频帧编码为视觉 token，拼接文本 token 输入 LLM。
• 多图/视频支持：支持多张图片、短视频输入，视觉 tok