成功可信度高
汽车 · Agent / 算力基础设施与AI平台
面壁智能MiniCPM端侧多模态模型，OCRBench超越GPT-4V
面壁智能打造高效端侧多模态模型MiniCPM系列，2.4B参数即具备GPT-3同等性能、知识密度提升约86倍；MiniCPM-Llama3-V2.5在OCRBench等榜单超越GPT-4V/Gemini Pro达SOTA，图像编码加速150倍，手机端语言解码3-4 token/s，适合车端等端侧部署。
MiniCPM端侧多模态OCRBench SOTA
北京面壁智能科技有限责任公司发布于 2026年7月22日实施于 2024 年阅读 0
OCRBench
超越GPT-4V/Gemini Pro达SOTA
来源披露
图像编码加速
150倍加速
来源披露
端侧解码速度
手机端3-4 token/s
来源披露
企业痛点
汽车面壁智能端侧模型
01
业务背景
车载与边缘场景算力、功耗受限，需小参数高性能模型。
02
遇到的问题
端侧算力有限，大模型难以直接部署，多模态效率低。
03
AI 解决方案
以端侧高效多模态模型MiniCPM系列，结合稀疏架构、NPU/CPU加速与编译优化，实现小参数高性能的车端等多端部署。
- 1发布MiniCPM-2.4B高效端侧模型
- 2迭代MiniCPM-Llama3-V2.5多模态
- 3稀疏架构+端侧系统加速
- 4手机/车端多端部署
04
实施结果
OCRBench：超越GPT-4V/Gemini Pro达SOTA
图像编码加速：150倍加速（150x）
端侧解码速度：手机端3-4 token/s
05
风险与边界
端侧模型能力上限低于云端大模型。
编辑点评 · AI 辅助生成并经审核
该案例来自佐思汽研评选的“汽车AI大模型TOP10”，由面壁智能研发并在汽车行业落地，展示了大模型在智能座舱、自动驾驶与车载语音等场景的技术能力，建议车企结合自研或采购方案参考。
适合
车载、手机等端侧AI场景
前置条件
端侧多模态模型、稀疏架构
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。
关联报告：佐思汽研《汽车AI大模型TOP10分析报告》（2024） · 佐思汽研 · 2024