IT之家 8 月 27 日消息，面壁智能 8 月 26 日宣布开源 8B 参数的面壁小钢炮 MiniCPM-V 4.5 多模态旗舰模型，成为行业首个具备“高刷”视频理解能力的多模态模型。

MiniCPM-V 4.5 号称高刷视频理解、长视频理解、OCR、文档解析能力同级 SOTA，且性能超过 Qwen2.5-VL 72B，号称“最强端侧多模态模型”。

面壁智能介绍称，此前主流的多模态模型在处理视频理解任务中，因为平衡算力、功耗等因素，通常采取 1 fps 抽帧，即每秒只能截取 1 帧画面进行识别和理解。虽然一定程度上保证了模型推理效率，但也因此缺失了绝大部分视觉信息，降低了多模态大模型对动态世界「精细化」的理解。

MiniCPM-V 4.5 是行业首个具备高刷视频理解能力的多模态模型，通过将模型结构从 2D-Resampler 拓展为 3D-Resampler，进行三维视频片段的高密度压缩，在同等视觉 Token 量开销下的情况下，最大可接收 6 倍视频帧数量，达到 96 倍视觉压缩率，是同类模型的 12-24 倍。

MiniCPM-V 4.5 通过显著增加抽帧频次，从看「PPT」变成理解「动态画面」，面对一闪而过的画面，MiniCPM-V 4.5 要比 Gemini-2.5-Pro、GPT-5、GPT-4o 等代表性云端模型看得更准、更细。

在 MotionBench、FavorBench 两项体现高刷视频理解能力的榜单中，MiniCPM-V 4.5 达到同尺寸 SOTA，且超过 Qwen2.5-VL 72B，实现越级领先水平。

MiniCPM-V 4.5 凭借 8B 参数，在图片理解、视频理解、复杂文档识别等多模态能力上再次刷新能力上限。

图片理解性能上，MiniCPM-V 4.5 在 OpenCompass 测评中，领先 GPT-4o、GPT-4.1、Gemini-2.0-Pro 等众多闭源模型，甚至超过 Qwen2.5-VL 72B，实现越级领先。

视频理解性能上，MiniCPM-V 4.5 在 LVBench、MLVU、Video-MME、LongVideoBench 等榜单中，均达到同级最佳水平。

在复杂文档识别任务中，MiniCPM-V 4.5 在 OmniDocBench 榜单的 OverallEdit、TextEdit、TableEdit 三项指标上，均取得了通用多模态模型同级别的 SOTA 表现。

此外，MiniCPM-V 4.5 同时支持常规模式和深度思考模式，实现了性能与响应速度的平衡，常规模式在绝大部分场景下提供出色的多模态理解能力，深度思考模式则专注于应对复杂与复合型推理任务。

在视频理解榜单 VideoMME、以及单图 OpenCompass 测试中，MiniCPM-V 4.5 达到同级 SOTA 水平，显存占用、平均推理时间等方面实现领先。

其中，在覆盖短、中、长三种类型的视频理解评测集 Video-MME 上，MiniCPM-V 4.5 采用 3 帧打包策略进行推理，时间开销（未计算模型抽帧时间）仅为同级模型的 1/10 。

IT之家附模型开源链接：

Github：https://github.com/OpenBMB/MiniCPM-oHugging Face：https://huggingface.co/openbmb/MiniCPM-V-4_5ModelScope：https://www.modelscope.cn/models/OpenBMB/MiniCPM-V-4_5