实测演示 MiniCPM5-2B 在本地完成多步智能体调查任务
@DailyDoseOfDS_ 实测让 OpenBMB 的 2B 稠密模型 MiniCPM5-2B 在 100% 本地环境驱动调查智能体,排查收入下滑原因。模型自行检查订单、流量、支付、退款和部署日志等文件,编写查询、分析中间结果并决定下一步,最终产出量化诊断和事件报告,数据、工具执行与模型推理均留在本地。
OpenBMB· @OpenBMB · X·2026-11-17 09:43· 1 小时前AI 评分64
AI 导读
@DailyDoseOfDS_ 分享了 100% 本地运行 OpenBMB 的 MiniCPM5-2B(2B 参数稠密模型)的实测,让它驱动一个调查智能体排查收入下滑原因。模型自行检查文件、编写查询、分析中间结果并决定下一步,最终产出量化的诊断和事件报告,数据、工具执行和模型推理全部留在本地。作者称其编码与工具调用能力来自 Agentic Pre-training、SFT 和大规模 RL,模型支持 SGLang、vLLM、llama.cpp、Ollama 及 iOS、Android、HarmonyOS,OpenBMB 已开源权重及部分训练配方和数据资源。OpenBMB 转发并感谢了这次演示。
正文 · 原文
精彩的演示!🚀 很高兴看到 MiniCPM5-2B 完全在本地处理真实世界的多步骤智能体任务。感谢展示小模型所能实现的能力!💙
在 X 查看被引用的帖子小语言模型的进步太惊人了!
MiniCPM5-2B 是来自中国的 OpenBMB 推出的 2B 参数稠密模型,专为资源受限硬件上的推理、编码和工具使用而构建。
该模型尤其擅长编码和工具调用,这两项能力正是从端侧 LLM 转向端侧智能体的核心。
它不仅能回答提示,还能使用工具、生成代码、在步骤之间传递信息,并完成多步骤任务。
我们在 100% 本地环境中运行它,并将其连接到一个小的调查智能体,只给出一条请求:
上周收入下降了。调查发生了什么,量化影响,找出可能的原因,并生成一份附有支持证据的事件报告。
证据分散在订单、流量、支付、退款和部署日志中。
模型检查了文件,编写了自己的查询,分析了中间结果,并决定接下来调查什么。
每个工具结果都为下一步行动提供依据,因此最终报告取决于模型能否在完整轨迹中保持连贯的调查。
录像展示了从开始到结束的实际任务。它从收入问题开始,跟踪工具调用和支持证据,最后以量化的诊断和事件报告结束。
数据、工具执行和模型推理都保留在我们的机器上。
这些能力通过 Agentic Pre-training、SFT 和大规模 RL 进行了优化。它们并非完全来自应用层智能体框架。
MiniCPM5-2B 支持 SGLang、vLLM、llama.cpp、Ollama、iOS、Android 和 HarmonyOS。
OpenBMB 还发布了模型权重以及部分训练配方和数据资源。
一个 2B 模型现在能够维持足够的状态来协调工具,并在本地硬件上完成一次有用的调查。
来源:OpenBMB · x.com
来源:RadarAI · aihot.news