MiniCPM5-2Bリリース、4B未満で首位と9種類のチップ対応を主張

MiniCPM5-2Bが、印象的な主張とともに登場した。この20億パラメータモデルは、AA Indexにおいて40億パラメータ未満の全モデルを上回るという。

MiniCPM5-2Bリリースはさらに、ネイティブ512Kコンテキスト、選択可能な思考モード、9つのチッププラットフォームへのDay 0対応を約束している。ModelBestとOpenBMBは、これらの機能をローカルおよびエッジ環境への導入向けに構築された一つのパッケージとして発表した。

この組み合わせは、小規模モデルがベンチマークで新たに勝利したこと以上の意味を持つ。Qwen3.5-2Bはすでに、ハイブリッド推論、マルチモーダル入力、ネイティブ262,144トークンのコンテキストウィンドウを提供している。したがってMiniCPM5-2Bは、空白のカテゴリーを埋めるのではなく、実力ある既存モデルに挑んでいる。

報告された性能上の優位性については、慎重に見る必要がある。提供されたローンチ投稿には主要な主張が記載されているが、公開時点では独立した再現検証が限られている。OpenBMBの公開リポジトリでは依然としてMiniCPM5-1Bが前面に出されており、公開モデルコレクションにも、対応するMiniCPM5-2Bのチェックポイントはまだ用意されていない。

本当の試験は明快だ。ModelBestは、良好な複合スコアを、実際のデバイス、長いプロンプト、本番ワークロード全体で再現可能な品質へと転換できるのだろうか。

MiniCPM5-2Bリリースで実際に変わること

MiniCPM5-2Bは、小規模モデルでは通常個別に扱われる3つの導入優先事項、すなわち能力、長いコンテキスト、幅広いハードウェア対応を組み合わせている。

ModelBestとOpenBMBは、MiniCPM5-2Bを20億パラメータの密モデルと説明している。密モデルは、選択されたコンポーネントのみを有効化するMixture-of-Expertsモデルとは異なり、各トークンに対して全パラメータを有効化する。

発表によると、MiniCPM5-2BはAA Indexで17点を獲得した。同社は、この結果により40億パラメータ未満のモデルで首位になったとしている。

発表ではさらに、より広範な評価における平均スコアが54.26だったと報告している。選定されたテストセット全体で、Qwen3.5-2Bを含む競合モデルを上回ったという。

これらの数値は、同じものを測定しているわけではない。AA Indexは知能を測る複合ベンチマークである一方、報告された平均54.26は、別の評価群を組み合わせたものとみられる。

この違いは重要だ。ある複合指標で首位になったモデルが、含まれるすべてのタスクで首位になるとは限らないからだ。また、ベンチマークの組み合わせが異なれば、評価される強みも異なる。

現在のAAの評価手法は、推論、知識、数学、プログラミング、エージェント型作業、長文コンテキスト検索を対象としている。その構成は、インデックスのバージョンによって変更される可能性がある。

したがって読者は、「世界最高の性能」という表現を、特定カテゴリーに限定された主張として受け止めるべきだ。これは、定義されたパラメータ数の上限内で報告されたAA Indexの結果が最高だったという意味であり、あらゆる面で優れていることを意味しない。

発表における2つ目の主要な主張は、512Kコンテキストウィンドウのネイティブ対応である。コンテキストウィンドウとは、1回の推論セッション中にモデルが処理できるプロンプトと会話履歴の最大量を意味する。

512Kのウィンドウは、Qwen3.5-2Bに記載されているネイティブ262,144トークン容量の2倍である。外部検索の工程を挟まずに、大量のコード、研究資料、文字起こし、業務記録を格納できる可能性がある。

最大容量が、ウィンドウ全体にわたる有効な想起を保証するわけではない。長文コンテキストの精度、メモリ消費量、プロンプト処理時間、出力の安定性は、それぞれ別の問題として残る。

MiniCPM5-2Bはハイブリッド思考にも対応する。ユーザーは、難しいタスクでは推論モードを、レイテンシーを重視する場合は直接回答モードを選択できる。

これはMiniCPM5-1Bで確立された設計を踏襲している。OpenBMBのMiniCPMリポジトリでは、別々のモデルをダウンロードするのではなく、1つのチェックポイントから思考あり・思考なしの動作を利用できる。

ローンチを支える最後の柱は、ハードウェア対応である。ModelBestによると、MiniCPM5-2BはHuawei AscendやNvidiaのハードウェアを含む9つのチッププラットフォームでDay 0対応を完了した。

Day 0対応とは、モデルベンダーがローンチ時期に合わせてソフトウェア互換性を準備したことを意味する。すべてのチップで同一の速度、メモリ使用量、機能対応範囲が得られるとは限らない。

これらの主張を総合すると、MiniCPM5-2Bは実験室のベンチマーク項目を超えた存在となる。このモデルは、アシスタント、エージェント、文書分析、オフラインアプリケーション向けに導入可能なコンポーネントとして位置付けられている。

この位置付けが、本稿の中心的な緊張関係を生み出している。コンパクトモデルは、ベンチマーク問題に回答できることだけでなく、ハードウェア制約下でも一貫して動作することを証明しなければならない。

4B未満の市場で競争が激化している理由

MiniCPM5-2Bのリリースは、コンパクトモデルを大型システムの二次的なバージョンとして扱ってきたベンダーに圧力をかけている。

小規模言語モデルには、導入面で明確な利点がある。大型モデルより必要なストレージとメモリが少なく、量子化によってさらにサイズを縮小できる。

そのため、ノートPC、スマートフォン、車両、産業用コンピューター、企業のプライベートシステムで実用的に利用できる。こうした環境では、常時接続のクラウドに必ずしも依存できない。

ローカル実行により、機密性の高いプロンプトを組織の管理環境内に保持することもできる。外部APIのデータ保持ポリシーやネットワーク障害による影響を軽減できる。

しかし、コンパクトモデルは厳しい品質上限に直面する。記憶した知識、複雑な推論、多言語のニュアンス、信頼性の高いツール選択に割ける容量が少ない。

ベンダーは、単純にパラメータ数を増やすのではなく、学習品質を向上させることで対応してきた。強化学習、データフィルタリング、蒸留、推論を考慮したアーキテクチャが、今や小規模モデルの競争を形作っている。

OpenBMBによるMiniCPM5-1Bの取り組みは、その方向性を示している。同プロジェクトによると、事後学習では教師ありファインチューニング、強化学習、オンポリシー蒸留を使用した。

オンポリシー蒸留では、小規模モデル自身の生成プロセス中に生み出されるシグナルを用いて学習する。これにより、生徒モデルの実際の出力との整合性を維持しながら、教師モデルの振る舞いを移転できる。

公開されているMiniCPM5-1Bの資料では、推論、知識、コード、指示追従、数学、論理、エージェント型ベンチマーク全体で平均42.57を記録したと報告されている。また、OpenBMBが選定したグループ内で最も優れた同規模ベースラインの35.61と比較している。

これらはベンダーが報告した数値だが、MiniCPM5-2Bに至る軌跡を示している。ModelBestは、同じ学習戦略を、より高性能な2Bクラスのシステムへ拡張しようとしている。

最も直接的な試金石となるのがQwenである。公式のQwen3.5-2Bモデルカードには、20億の言語パラメータ、マルチモーダル入力、ハイブリッドアテンション、ネイティブ262Kコンテキストが記載されている。

Qwen3.5-2Bも、思考あり・思考なしのモードに対応している。想定用途には、プロトタイピング、タスク固有のファインチューニング、研究、開発が含まれる。

この重複により、MiniCPM5-2Bが容易に差別化できる点は少なくなる。コンテキスト仕様が長いだけでは、比較の決着はつかない。

その代わり、ModelBestには組み合わせ全体の有効性が求められる。MiniCPM5-2Bは、競争力のある推論、実用的な長文コンテキスト、効率的な推論処理、より多くのハードウェアにわたる信頼性の高い対応を実現しなければならない。

その重要性は、ModelBestとAlibabaだけにとどまらない。チップベンダーにも、自社のソフトウェアスタックが現在のAIワークロードに対応できることを実証するモデルが必要だ。

Nvidiaは、最も広範な推論ソフトウェアのエコシステムから恩恵を受けている。中国のアクセラレータ企業は、モデルの互換性と開発者向けツールの両方を同等水準にするという、より困難な課題に直面している。

9種類のチップに対応したローンチは、代替手段を評価する組織の初期移植負担を軽減できる。また、中国製および海外製アクセラレータを比較するための共通ワークロードも提供できる。

ただし、互換性を示すバッジが、コンパイラ、カーネル、量子化形式、サービングフレームワーク間の違いを消すわけではない。本番運用チームには、依然としてスループットと安定性のデータが必要だ。

このため、4B未満の競争はもはや、ダウンロード可能なファイルをどこまで小さくできるかを競うものではない。モデル、ランタイム、メモリ、ハードウェア対応を含むシステム全体の競争へと変わりつつある。

MiniCPM5-2B対Qwen3.5-2Bが最大の試金石

中心となる競争はMiniCPM5-2B対Qwen3.5-2Bである。どちらも同じ公称パラメータ規模で、高性能なローカル導入を狙っているからだ。

Qwen3.5-2Bには、比較上いくつかの優位性がある。公開ウェイト、設定、使用例、ベンチマーク表、フレームワークの手順がすでに利用可能だ。

モデルカードでは、Gated DeltaNetレイヤーと周期的なゲート付きアテンションを使用するハイブリッドアーキテクチャと説明されている。線形アテンションのコンポーネントは、長いシーケンスの処理コスト削減を目的としている。

このモデルにはビジョンエンコーダーも含まれている。これによりQwen3.5-2Bは、テキスト専用のMiniCPM5-2Bリリースでは自動的に実現できないマルチモーダル機能を備えている。

発表されたMiniCPM5-2Bの優位性は、AA Indexスコア17から始まる。ModelBestによると、その複合指標ではQwen3.5-2Bが後れを取っている。

複合スコアは有用な要約になり得るが、開発者はタスク別のスコアを確認するべきだ。集計値は、特定の導入にとって重要な弱点を覆い隠す可能性がある。

コーディングアシスタントには、高度なコード生成、指示追従、ツール使用、リポジトリ検索が必要だ。一般知識の問題は、実際の価値にはほとんど寄与しない場合がある。

文書アシスタントには、忠実な抽出と安定した長文コンテキストの想起が必要だ。根拠がプロンプト内の離れた位置にある場合でも、存在しない関連性を捏造してはならない。

オフラインのカスタマーサポートシステムには、一貫したフォーマット、制約に従った回答、予測可能なレイテンシーが必要だ。抽象的な推論能力がわずかに向上しても、こうした要件の改善にはつながらない可能性がある。

MiniCPM5-2Bの512Kコンテキストという主張は、この比較において意味があるように見える。Qwen3.5-2Bに記載されているネイティブコンテキスト容量の2倍だからだ。

しかし、ネイティブ対応とは、アーキテクチャと学習がその長さを対象としていることを意味するにすぎない。一般的なデバイスで512Kトークンを経済的に処理できるという意味ではない。

Key-Valueキャッシュは、生成中に過去のトークンから得たアテンション情報を保存する。そのメモリ需要は、シーケンス長、アーキテクチャ、精度、バッチサイズに応じて増加する。

したがって、パラメータ数が少ないからといって、長いコンテキストを無コストで利用できるわけではない。極端に長い場合、キャッシュとプロンプト処理のワークロードが導入要件の大部分を占める可能性がある。

Qwenはこの問題を明確に認めている。モデルカードでは、メモリ不足エラーが発生した場合、コンテキストウィンドウを縮小するようユーザーに助言している。

MiniCPM5-2Bも、同じ物理的制約に直面する。効率的なアテンションやキャッシュ圧縮によってトレードオフを改善することはできるが、制約そのものをなくすことはできない。

比較は量子化にも左右される。量子化ではモデルのウェイトを低い数値精度で保存し、品質低下のリスクと引き換えにメモリ使用量を削減する。

公平に測定するには、開発者は同等の量子化ビルドを用意する必要がある。一方のモデルをBF16、もう一方を4ビット形式で比較すれば、アーキテクチャの利点と精度の違いが混同されてしまう。

導入用ソフトウェアは、チェックポイントと同じくらい重要だ。Qwenは、Transformers、vLLM、SGLang、KTransformersとの互換性を挙げている。

OpenBMBの現行MiniCPM5ツールは、Transformers、vLLM、SGLang、llama.cpp、Ollama、LM Studio、AppleのMLXなど、主要な利用経路に対応している。

MiniCPM5-2Bがこの対応範囲を引き継げば、開発者が直面する統合上の障壁は少なくなるはずだ。決定的な問題は、各バックエンドで同じ機能を安定して利用できるかどうかである。

思考モード、ツール呼び出し、ストリーミング、バッチ処理、長文コンテキスト、量子化は、ランタイムによって動作が異なる可能性がある。動作するテキスト生成デモが検証するのは、最も限定的な経路にすぎない。

現在公開されている証拠では、入手可能性とドキュメントの面でQwenが優勢です。一方、発表時に報告された総合性能、最大コンテキスト、対応ハードウェアの幅広さではMiniCPM5-2Bが優勢です。

このバランスは、オープンソース化後に急速に変わる可能性があります。それまでは、MiniCPM5-2BとQwen3.5-2Bの比較は、報告された結果と実際に検証可能なモデルとの比較であり続けます。

9種類のチップ対応は単なる互換性リストではない

9種類のチップに対応するという主張が重要なのは、エッジAIの導入がモデル選定段階ではなく、ソフトウェア層で失敗することが多いためです。

組織が、変更を加えていないモデルファイルを本番環境のハードウェアに直接デプロイすることはほとんどありません。ランタイム、最適化されたカーネル、メモリ管理、監視、再現可能なパッケージングが必要です。

アクセラレーターの各ファミリーには、それぞれ固有のソフトウェアスタックがあります。あるプラットフォームでサポートされている演算子でも、別のプラットフォームでは変換や置換が必要になる場合があります。

コンパイラの挙動も数値精度に影響を与える可能性があります。モデルの読み込みに成功しても、出力が異なったり、予期しない性能低下が生じたりすることがあります。

ModelBestによれば、MiniCPM5-2Bは9つのチッププラットフォームでDay 0サポートを実現しています。提供された概要で名前が挙げられているベンダーはHuawei AscendとNvidiaの2社です。

購入者がこの主張を十分に評価するには、残りのプラットフォームについても正確な公開リストが必要です。各項目には、テスト済みデバイス、ソフトウェアバージョン、精度モード、対応コンテキスト長を明記すべきです。

OpenBMBが以前に行ったMiniCPM5-1Bの取り組みは、関連する先例となります。リポジトリには、Nvidia、Hygon、MetaX、Iluvatar CoreX、Zhenwu、Moore Threads、Kunlunxin、Ascend、Arm v9向けの対応パスが記載されています。

この従来のリストは、9プラットフォームへの展開が技術的に実現可能であることを説明する助けになります。ただし、MiniCPM5-2Bが同一のプラットフォーム群を同じ成熟度でサポートしていることを裏付けるものではありません。

適応作業には、モデルと複数のAIチップアーキテクチャを接続するためのオープンなソフトウェアスタックであるFlagOSが使用されています。そのデプロイ層には、サービングフレームワーク向けのマルチチップバックエンドが含まれています。

このアプローチは、コストのかかるエンジニアリング上の問題に対処します。共通レイヤーがなければ、モデルとアクセラレーターの組み合わせごとに個別の移植プロジェクトが必要になりかねません。

開発者にとっての実用的な価値は、再現性に左右されます。インストール手順、コンテナイメージ、バージョン固定、リファレンスコマンドのほうが、「9」という数字よりも重要です。

企業の購入者にとって、サポートへの期待はさらに広範です。チームには、セキュリティパッチ、障害診断、アップグレード保証、各問題をどの組織が担当するかについての明確さが必要です。

チップベンダーにとって、MiniCPM5-2Bへの早期対応はショーケースとなります。潜在顧客がNvidiaのエコシステム外のハードウェアをテストする際に、認知度の高いワークロードを提供できます。

この主張は、地域的なサプライチェーンの現実も反映しています。中国のAI開発者は、単一のアクセラレーターベンダーに依存しないデプロイ方法を求めています。

この目標は、共通の抽象化とより広範なハードウェア競争を促進する可能性があります。一方で、互換性だけが報告される指標になると、性能差が隠される可能性もあります。

有用な情報開示には、最初のトークンが出力されるまでの時間、1秒あたりの出力トークン数、ピークメモリ、消費電力、安定して動作する最大コンテキストを含めるべきです。結果は複数のプロンプト長を対象とする必要があります。

同時実行性能も必要な指標です。1つの対話セッションを適切に処理できるデバイスでも、複数のユーザーやエージェントプロセスには対応できない可能性があります。

品質もテスト項目に含めなければなりません。低精度化、変更されたカーネル、異なるアテンション実装は、モデルが動作していても出力を変える可能性があります。

したがって、Day 0対応は出発点にすぎません。本番運用への準備が整うのは、開発者がインストールを再現し、対象デバイスでの挙動を検証できるようになってからです。

この違いは、プライベートなナレッジワークフローにとって重要です。ローカルモデルは、元の資料をクラウドサービスへ送信せずに、ファイルを要約したり技術アーカイブを検索したりできます。

それでも、チームにはモデルを取り巻く信頼性の高い情報レイヤーが必要です。検索可能なナレッジベースを利用すれば、モデルの選択肢が変化し続ける中でもローカル文書を整理できます。

このアーキテクチャでは、モデルを交換可能な状態に保つべきです。文書、検索ロジック、評価セットが単一のチェックポイントに依存しなければ、組織はより大きな選択権を得られます。

ベンチマークとコンテキストに関する主張からは分からないこと

MiniCPM5-2Bの発表時の数値は有望ですが、最大の検証不足は、まさに本番環境のリスクが始まる領域にあります。

最初の不足は、一般公開の状況です。OpenBMBの現在のモデルコレクションには、MiniCPM5-1Bとその関連形式が目立つ形で掲載されています。

公開時点で、このコレクションには発表されたMiniCPM5-2Bのチェックポイントがありません。OpenBMBの公開モデルカタログ全体の検索結果でも、同じ制約が確認できます。

ModelBestは、新しいモデルをオープンソース化すると述べています。重み、設定ファイル、評価コードが公開されるまで、独立したテスターは中心的な主張を再現できません。

2つ目の不足は、ベンチマークの具体性です。AA Indexスコア17を監査可能にするには、正確なモデルバージョン、推論設定、評価バージョンを明らかにする必要があります。

サンプリング温度、トークン予算、ツールへのアクセス、推論に割り当てる計算量は、結果に影響を与える可能性があります。より多くの出力トークンを与えられた思考モデルは、時間とエネルギーをより多く使用する代わりに、精度が向上する場合があります。

Artificial Analysisは現在、Intelligence Indexを9つの評価で構成される総合指標として説明しています。同社の公開モデルリーダーボードでも、推論モデルと非推論構成が区別されています。

したがって、MiniCPM5-2Bの結果では、思考モードが有効だったかどうかを明記すべきです。また、各評価で使用されたテスト時の設定も開示する必要があります。

報告された平均54.26にも、同様のドキュメントが必要です。読者には、含まれるベンチマーク、重み付け方法、プロンプトテンプレート、ベースライン設定を知る必要があります。

これらの詳細がなければ、この数値は方向性を示すにとどまり、証明にはなりません。テストの動機にはなりますが、調達プロセスを決定する根拠にはすべきではありません。

3つ目の不足は、長いコンテキストにおける品質です。512Kという上限だけでは、巨大なプロンプトの終端付近にある情報をどれほど正確に検索できるかはほとんど分かりません。

長いコンテキストの評価では、複数の位置にある証拠を測定すべきです。また、紛らわしい情報によって、もっともらしいものの裏付けのない情報をモデルが選択してしまうかどうかもテストする必要があります。

要約には別の課題があります。モデルは流暢かつ包括的に見える文章を生成しながら、法務、医療、エンジニアリング業務に重要な稀な詳細を省略する可能性があります。

開発者は、現実的な長さの自社文書でテストすべきです。合成されたneedle-retrievalテストは有用ですが、矛盾する証拠や乱れた書式を再現するものではありません。

4つ目の不足は、ハードウェア性能です。9種類のチップとの互換性については、1つの総括的な宣言ではなく、デバイス単位の結果が必要です。

各プラットフォームについて、対応精度、ランタイムバージョン、メモリ要件、スループット、テスト済みコンテキストを公開すべきです。対応していない機能も明確に記載する必要があります。

5つ目の不足は、ワークロードとの適合性です。小規模モデルは限定的なタスクでは高い性能を発揮しても、自由度の高い指示では予測不能な失敗をする可能性があります。

2Bモデルは、チケットの分類、フィールドの抽出、制約されたツールの呼び出しを安定して実行できるかもしれません。同じモデルでも、曖昧な証拠に基づく戦略的分析には苦戦する可能性があります。

ハイブリッド思考は、より多くの計算量を割り当てることで一部のエラーを減らせます。一方で、応答の長期化、レイテンシの増加、新たな失敗パターンを生む可能性もあります。

適切な評価基準は「MiniCPM5-2Bはすべての大規模モデルを上回るか」ではありません。「このモデルは、特定のデバイス予算内で定義された品質基準を満たすか」です。

チームは、モデルを切り替える前に非公開の評価セットを構築すべきです。そのセットには、一般的な要求、難しいエッジケース、過去に失敗を引き起こしたプロンプトを含める必要があります。

精度、拒否動作、フォーマット遵守、レイテンシ、メモリ使用量を記録すべきです。人間のレビュー担当者は、1つのスコアを信頼するのではなく、影響の大きい出力を確認する必要があります。

セキュリティテストもプロセスに含めるべきです。ローカル推論はデータ転送を減らしますが、プロンプトインジェクションや安全でないツール実行を防ぐものではありません。

信頼できない文書を読み込むエージェントは、そこに埋め込まれた悪意のある指示に従う可能性があります。小規模モデルは、そのような指示と正当なコンテキストを区別する能力が低い場合があります。

オープンウェイトは、検査とカスタマイズを容易にします。ただし、安全性、ガバナンス、運用サポートが自動的に提供されるわけではありません。

これらの制約は、MiniCPM5-2Bのリリースを否定するものではありません。その主張を発表段階から信頼できるエンジニアリング上の選択肢へと進めるために必要な証拠を明確にするものです。

MiniCPM5-2Bが優位性を維持できるかを決める3つのシグナル

次の段階で重要なのは、見出しを飾る主張を重ねることではなく、再現性、デプロイに関する証拠、競合との直接テストです。

最初のシグナルは、オープンソースパッケージです。ModelBestは、重み、ライセンス、モデルカード、設定、正確な推論手順を公開する必要があります。

完全なリリースには、思考モードの制御と推奨サンプリング設定を含めるべきです。ツール呼び出し、量子化、長いコンテキストの設定についても文書化する必要があります。

評価スクリプトまたは詳細な手順があれば、性能に関する主張の信頼性が高まります。独立したグループが、報告されたAA Indexスコア17をテストできるようになります。

パッケージが速やかに公開され、同等の結果が得られれば、発表時の主張はより強固になります。公開の遅延や不完全なリリースは、その信頼性を損ないます。

2つ目のシグナルは、独立したハードウェアテストです。レビュー担当者は、対応する9つのプラットフォームのうち複数で、同じチェックポイントを実行する必要があります。

テストでは、プロンプト、精度、コンテキスト長、同時実行数の条件を揃えるべきです。成功した結果とともに、失敗も報告する必要があります。

Ascend、Nvidia、複数の代替アクセラレーターで安定してデプロイできれば、システム戦略の妥当性が実証されます。機能面で大きな差があれば、9種類のチップ対応はマーケティング上の数字にすぎなくなります。

3つ目のシグナルは、Qwen3.5-2Bとの直接テストです。この比較では、推論、コード、ツール使用、長文書の検索、多言語指示を対象とすべきです。

必要に応じて、マルチモーダル対応も比較すべきです。Qwen3.5-2Bにはビジョンエンコーダーが含まれているため、テキストのみの評価では製品としての全領域を表せません。

実機での効率性は、タスク精度と同じくらい重要です。レビュー担当者は、プロンプト処理、生成速度、メモリ使用量、エネルギー消費量を測定すべきです。

MiniCPM5-2Bは、すべてのカテゴリーで勝つ必要はありません。ローカルデプロイ、長いコンテキスト、チップの柔軟性が測定可能な価値を生み出すワークロードで、明確な優位性を示す必要があります。

MiniCPM5-2Bのリリースによって、すでに1つの点が明らかになっています。現在、最も重要な小規模モデル間の競争は、デプロイスタック全体で起きています。

パラメーター数だけでは、そのスタックを十分に説明できません。学習品質、コンテキストの挙動、ランタイム対応、量子化、アクセラレーター互換性のすべてが結果を左右します。

開発者は、最初に公開チェックポイント、次に独立したチップ上での結果、最後に条件を揃えたQwenとのテストを注視すべきです。これらのシグナルによって、報告された4B未満のモデルにおける優位性が裏付けられるか、その範囲が限定されることになります。

モデルを評価するチームにとって、最善の次の行動は実践的なものです。代表的なタスクセットを定義し、現在のベースライン結果を記録し、重みが公開された時点で再実行してください。

重要なのは、スコア17が印象的に聞こえるかどうかではありません。MiniCPM5-2Bが、発表で約束されたデバイスとワークロード全体で有用な精度を維持できるかどうかです。