Картинка + текстДокументы и OCR

MiniCPM-V

Компактные модели зрения, которые работают даже на телефоне и ноутбуке. Хорошо читают текст на фото, понимают видео; версия 4.6 весит всего 1.3B.

Разработчик
OpenBMB (ModelBest и Университет Цинхуа), Китай
Первый выпуск
янв 2024
Последний выпуск
май 2026
Размеры
1.3B – 8B
Лицензия
Можно в коммерциюApache 2.0 (у ранних версий была собственная лицензия MiniCPM с регистрацией для коммерции)
Поставить на свой сервер Hugging Face GitHub

Какие задачи решает

  • Распознавание текста на фото прямо на устройстве
  • Разбор чеков и документов без отправки в облако
  • Описание фото и видео
  • Встроенный помощник в мобильное приложение

Где применяется

Мобильные приложенияРозницаПолевые службы

Требования к железу

НоутбукНоутбук или обычный ПК, до 8 ГБ видеопамяти — младшие версии
подходит
1 видеокартаОдна видеокарта на 16–80 ГБ — средние версии
подходит
КластерСервер с несколькими видеокартами — флагманские версии
нет версий

Версии

  1. MiniCPM-V 4.6 и 4.6-Thinking
  2. MiniCPM-V 4.5
  3. MiniCPM-V 4.0
  4. MiniCPM-V 2.6
  5. MiniCPM-Llama3-V 2.5
  6. MiniCPM-V 2.0
  7. MiniCPM-V

Как внедряю у заказчика

  1. ПодборВыбираю размер модели под задачу и ваше железо, проверяю на ваших примерах.
  2. УстановкаРазворачиваю на вашем сервере или в закрытом контуре, отдаю API.
  3. ДообучениеДообучаю на ваших данных (LoRA) или подключаю базу знаний — что дешевле для задачи.
  4. ВстраиваниеПодключаю к CRM, 1С, боту, сайту или рабочему чату, настраиваю мониторинг.

Похожие модели

Картинка + текстQwen-VLAlibaba (команда Qwen) · КитайМожно в коммерцию

Одна из сильнейших открытых моделей зрения: читает документы, таблицы, графики, видео, работает с интерфейсами. С Qwen3.5 зрение встроено прямо в основную модель Qwen.

ПодробнееКартинка + текстSmolVLMHugging Face · Франция / СШАМожно в коммерцию

Самые маленькие модели зрения Hugging Face: от 256M, работают в браузере и на телефоне. SmolVLM2 понимает и видео.

ПодробнееГолосовые ассистентыMiniCPM-oOpenBMB (ModelBest, Университет Цинхуа) · КитайМожно в коммерцию

Небольшая модель, которая видит, слышит и отвечает голосом в реальном времени, может клонировать голос. Голосовой диалог на английском и китайском, текст — на 30+ языках.

Подробнее