OpenBMB, ModelBest bilan bogʻliq ochiq loyiha, qurilma ustida bevosita ishlash uchun zich til modelini – MiniCPM5-2B ni taqdim etdi. Ushbu model taxminan 2,52 milliard parametrga ega va 131 072 tokenli tabiiy kontekst uzunligini qoʻllab-quvvatlaydi hamda Apache-2.0 litsenziyasi ostida tarqatiladi.
MiniCPM5-2B bu MiniCPM5-1B dan keyingi MiniCPM5 seriyasining ikkinchi nashridir. U 16 ta soʻrov va 2 ta kalit/qiymat boshlaridan foydalanadigan guruhlangan soʻrov diqqatini (grouped-query attention) oʻz ichiga olgan 42 ta qatlamli standart LlamaForCausalLM tuzilishidan foydalanadi. Bu tufayli, asosiy dvigatellar maxsus yadrolar yoki model kodining forklari boʻlmasdan modelni yuklashlari mumkin.
Embeddinglar boʻlmagan parametrlarning hajmi taxminan 1,98 milliardni tashkil qiladi, bu esa modelni telefonlar, noutbuklar va periferik qurilmalarda joylashtirish uchun mos keladigan 4 milliard parametrdan kamroq sinfga joylashtirish imkonini beradi.
34-benchmark maʼlumotlar toʻplami boʻyicha solishtirganda, MiniCPM5-2B oʻrtacha 53,9 koʻrsatkichini namoyish etib, bir qator kattaroq ochiq asosiy modellar ustunlikka erishdi. Ulardan Qwen3.5-4B 51,1, granite-4.2-3B esa 42,7 ni koʻrsatdi. Shu bilan birga, LFM2.5-2.6B va Qwen3.5-2B kabi oʻlchami teng modellar orqada qoldi.
Modelning kuchli tomonlari kodlovchi agentlar, vositalardan foydalanish va uzoq kontekstdan maʼlumotlarni ajratib olish sohalarida jamlangan. Masalan, LiveCodeBench v6 da MiniCPM5-2B Qwen3.5-4B ning 56,4 ga qarshi 69,1 ni koʻrsatdi, SWE-bench Verified da esa 46,4 ga qarshi 33,6 ni koʻrsatdi. Shuningdek, τ²-Bench Telecom (97,1), BFCL v4 (66,6) va NoLiMa (43,5 ga qarshi 68,1) kabi joylarda yuqori natijalar erishildi.
Chuqur bilim talab qiladigan vazifalarda koʻrsatkichlar hajm chegarasiga yaqinroq qoladi; masalan, MMLU-Pro da model 70,8 ni koʻrsatdi, shu paytda 4B hajmdagi referans Qwen modeli 78,0 ni yigʻdi. OpenBMB Artificial Analysis manbalaridan olingan qatorlarni alohida belgilaydi, shunda foydalanuvchilar yetkazib beruvchilar va uchinchi tomon natijalarini farqlay olishadi.
Keyingi oʻqitish jarayoni UltraData darajasi boshqaruviga amal qildi: avval taxminan 400 milliard tokenlardan foydalangan chuqur fikrlash asosida nazoratli oʻqitish (supervised fine-tuning) oʻtkazildi. Keyin, matematika, kod, agentlar va yozish uchun JustRL II algoritmi asosidagi ixtisoslashtirilgan ragʻbatlantirish-oʻrganish oʻqituvchilari (reinforcement-learning teachers) qoʻllanildi. Yakuniy bosqich siyosat boʻyicha destillatsiya (on-policy distillation) boʻlib, unda 16 ta RL eksperti – ulardan beshtasi agentlar edi – bitta yakuniy talaba modeliga birlashtirildi.
OpenBMB tahlil qilish va umumiy toʻplamlardagi oʻrtacha 10,96 ball, shuningdek, agentlik toʻplamlarida 6,96 ball oshishini RL va destillatsiya bosqichlariga bogʻlaydi. Har bir qismining hissasini toʻgʻridan-toʻgʻri oʻlchash imkoniyati uchun kompaniya oʻrta nazorat nuqtalarini chiqaradi: Base, Midtrain va SFT-only.
Ogʻirlar bilan birga, UltraData korporatsiyalari veb, kod, matematika, SFT va agentlar uchun RL namunalarini qamrab oluvchi maʼlumotlar bazalarini eʼlon qiladilar, bu esa natijalarni qayta tiklash imkonini beradi. Ishlash vaqtini qoʻllab-quvvatlash vLLM, SGLang, Transformers, llama.cpp, Ollama, LM Studio, MLX, LiteRT va koʻp chiplilik FlagOS yigʻindilarini oʻz ichiga oladi. Mahalliy yordamchilarga moʻljallangan GGUF, MLX va GPTQ paketlari taqdim etiladi, ular markaziy maʼlumotlar bazasi grafik protsessoridan foydalanmasdan vositalar chaqiruvlarini bajarish va uzoq kontekst bilan ishlashi kerak.
Qurilma ustida ishlashga yoʻnaltirilgan ishlab chiquvchilar uchun MiniCPM5-2B nafaqat umumiy bilimlarning giganti sifatida, balki Apache litsenziyali ixcham agent va kodlash uchun hamroh sifatida pozitsionlanadi, u allaqachon eʼlon qilingan oʻrtacha koʻrsatkich boʻyicha baʼzi 4B sinfidagi ochiq asosiy modellar ustunlikka ega.
