Çin merkezli açık kaynak yapay zeka grubu OpenBMB, 7 Eylül'de MiniCPM5-2B'yi yayımladı. 2,52 milyar parametreli model, Artificial Analysis Intelligence Index v4.2'de 15 puan alarak 4 milyar parametrenin altındaki tüm açık modeller arasında en yüksek skoru elde etti. Bu sonuç, yaklaşık yarı boyutuna rağmen Qwen3.5-4B'yi geride bırakıyor.
OpenBMB, 2022'de Tsinghua Üniversitesi NLP Laboratuvarı ve ModelBest ortaklığıyla kuruldu. Model, metin giriş-çıkışı destekliyor, 131.072 token bağlam penceresine sahip ve Apache 2.0 lisansıyla Hugging Face'te yer alıyor.
Model boyutları ve yerel çalıştırma
Resmi GGUF deposuna göre MiniCPM5-2B toplam 2.516.756.480 parametreye sahip; bunun 1.981.982.720'si embedding katmanı dışında. Q4_K_M sürümü 1,56 GB, Q8_0 sürümü 2,68 GB, F16 dosyası ise 5,04 GB. Bu boyutlar, veri merkezi yerine dizüstü bilgisayar ve telefon sınıfı cihazlara işaret ediyor. Model; llama.cpp, Ollama, LM Studio, Apple Silicon için MLX, vLLM veya SGLang gibi çalışma zamanlarıyla yerelde çalıştırılabiliyor.
Saha cihazına, araç arayüzüne, fabrika katı terminaline veya istikrarlı bağlantı varsayamayan bir telefon uygulamasına yapay zeka koymak isteyen geliştiriciler için bu fark; gecikme, pil tüketimi ve ürün tasarımı olarak kendini gösteriyor. Bulut API'leri hâlâ daha kolay; ancak yerel modeller artık göz ardı edilmesi güç hale geliyor.
Benchmark sonuçlarına dikkatli bakmak
OpenBMB'nin kendi model kartı, karşılaştırma tablosunda 53,9 ortalama bildiriyor ve Qwen3.5-4B'nin 51,1'ini geçtiğini gösteriyor. Ancak kartta yalnızca hançer işaretli satırların resmi Artificial Analysis sürümünden geldiği belirtiliyor. Artificial Analysis endeks skoru ise 15. İki sayı da kullanışlı; ancak aynı şey değiller.
OpenBMB'nin dahili tablosu, LiveCodeBench v6'da 69,1 ve tau-squared-Bench Telecom'da 97,1 gibi dikkat çekici sonuçlar içeriyor. Artificial Analysis'ın kendi makalesi daha ölçülü: MiniCPM5-2B'nin ajan yeteneği, GDPval-AA v2'de 831 Elo ve tau-cubed Banking'de %21 ile Ling 3.0 Tiny ile ortak birincilik olarak öne çıkıyor.
Artificial Analysis, MiniCPM5-2B'nin Intelligence Index görevi başına 19.000 çıktı tokeni kullandığını ve Granite 4.2 3B ile birlikte karşılaştırma setindeki en düşük değere sahip olduğunu bildirdi. Ling 3.0 Tiny ise bir endeks puanı fazla için 56.000 token kullandı. Token kullanımı, modele yakın çalışması gereken yerel asistanlar için önemli: Bir yerel asistanın hızlı mı yoksa demo gibi mi hissettireceğini belirliyor.
Veri yayını daha keskin hamle
OpenBMB yalnızca ağırlıkları yayımlamadı. Model kartına göre eğitim külliyatı; erken aşamalar için Ultra-FineWeb, Ultra-FineWeb-L3, UltraX, UltraData-Code ve UltraData-Math, sonradan eğitim için UltraData-SFT-2605, UltraData-SFT-Agent-2609 ve UltraData-RL-2609 içeriyor. UltraData-RL-2609 sayfası, pekiştirmeli öğrenme setinin matematik, bilgi, uzun bağlam ve kod görevlerinde yaklaşık 86.000 örnek içerdiğini söylüyor.
Bu, yayının değerini değiştiriyor. Bir startup ağırlıkları indirebilir; rakip bir laboratuvar tarifi inceleyebilir; bir araştırmacı, ön eğitim ile son sohbet modeli arasında ne olduğunu tahmin etmek yerine veri yolunu inceleyebilir. Apache 2.0 lisansı ticari kullanımı da açık tutuyor.
Alibaba'nın Qwen serisi ve DeepSeek, açık ağırlıklı Çinli laboratuvarların ağırlıkları ve eğitim detaylarını kapalı tutan Batılı şirketler için model pazarını ne kadar rahatsız edici hale getirebileceğini gösterdi. MiniCPM5-2B bu tartışmayı cihaz ölçeğine taşıyor.
Neden önemli
MiniCPM5-2B, küçük model ile fayda arasındaki eski takasın göründüğü kadar sabit olmadığını gösteriyor. Kapalı bir laboratuvar bir liderlik tablosunu geçebilir; ancak OpenBMB'nin veri setlerini, RL külliyatını ve kontrol noktalarını Apache 2.0 ile yayımlaması, rakiplerin yalnızca sonuçları değil, yöntemi de incelemesine olanak tanıyor. Bu, yerel cihazlarda çalışan açık modellerin rekabetçi bir alternatif olarak güçlendiğinin işareti.
