MiniCPM-Llama3-V 2.5实现了GPT-4V级的多模态能力

MiniCPM-V是面向图文理解的端侧多模态大模型系列。该系列模型接受图像和文本输入，并提供高质量的文本输出。自2024年2月以来，我们共发布了4个版本模型，旨在实现领先的性能和高效的部署，目前该系列最值得关注的模型包括：

（1）MiniCPM-Llama3-V 2.5：MiniCPM-V系列的最新、性能最佳模型。总参数量8B，多模态综合性能超越 GPT-4V-1106、Gemini Pro、Claude 3、Qwen-VL-Max 等商用闭源模型，OCR 能力及指令跟随能力进一步提升，并支持超过30种语言的多模态交互。通过系统使用模型量化、CPU、NPU、编译优化等高效推理技术，MiniCPM-Llama3-V 2.5 可以实现高效的终端设备部署。

（2）MiniCPM-V 2.0：MiniCPM-V系列的最轻量级模型。总参数量2B，多模态综合性能超越 Yi-VL 34B、CogVLM-Chat 17B、Qwen-VL-Chat 10B 等更大参数规模的模型，可接受 180 万像素的任意长宽比图像输入，实现了和 Gemini Pro 相近的场景文字识别能力以及和 GPT-4V 相匹的低幻觉率。

参考文献：

[1] https://github.com/OpenBMB/MiniCPM-V

[2]  MiniCPM 系列开源地址：https://github.com/OpenBMB/MiniCPM

[3] Hugging Face 下载地址：https://huggingface.co/openbmb/MiniCPM-Llama3-V-2_5

[4] MiniCPM-V 2.0: 具备领先OCR和理解能力的高效端侧多模态大模型：https://openbmb.vercel.app/minicpm-v-2