https://gitcode.com/GitHub_Trending/mi/MiniCPM-V で公開されているMiniCPM-Vは、Gemini 2.5 Flash同等レベルのマルチモーダル基盤モデルであり、視覚・音声・全双方向マルチモーダルライブストリーミングをスマートフォン上で実現します。本記事では、各バージョンの性能比較と選定指針、最適化方法を解説します。

バージョン進化と主要な特徴

MiniCPM-Vシリーズは複数回のイテレーションを経て、以下の主要バージョンが登場しています：

MiniCPM-o 4.5：フルモーダル機能搭載モデル

• 視覚理解・音声対話・マルチモーダル推論をサポート
• スマートアシスタントやリアルタイムインタラクションシステムに最適

MiniCPM-V 4.0：軽量型視覚理解モデル

• 画像認識・OCR・視覚推論を高効率で実行
• リソース制限のあるモバイル端末にも対応

パフォーマンス評価結果

以下の主要なベンチマークで比較テストを行いました：

マルチモーダル総合スコア

• MMBench EN v1.1: 87.6点
• MMBench CN v1.1: 87.2点

視覚理解能力比較

• MathVista: 80.1点
• MMStar: 73.1点
• HallusionBench: 63.2点

選定ガイドライン

最適化手法

モデル圧縮

python optimize_model.py --model_path ./models/minicpm-o-4.5 --compression int8

マルチGPU設定

docs/inference_on_multiple_gpus.md を参照

パラメータ調整

• temperature: 0.7-0.9
• top_p: 0.9
• max_new_tokens: 視覚タスクでは2048

導入手順

git clone https://gitcode.com/GitHub_Trending/mi/MiniCPM-V
cd MiniCPM-V
pip install -r requirements.txt

画像理解サンプルコード

from minicpm import MultiModalModel

model = MultiModalModel.load("minicpm-v-4.5")
image_path = "assets/airplane.jpeg"
query = "この画像の内容を説明し、撮影場所を推測してください"
response = model.interact(image_path, query)
print(response)

応用例

• 全双方向マルチモーダルチャット
• 数学問題自動解釈
• 多言語OCRによるドキュメント解析

FAQ

低スペック端末での実行方法

MiniCPM-V 4.0 + INT8量子化 + --low_memoryオプション

推論速度向上策

GPU加速確認、max_new_tokens値の調整、finetune/ds_config_zero2.jsonの利用

マルチターンチャット実現方法

historyパラメータをchat()メソッドに渡す