¿Qué es MiniCPM-o 4.5?
MiniCPM-o 4.5 es el modelo omni abierto de OpenBMB, publicado en febrero de 2026. Une de extremo a extremo cuatro piezas ya existentes: un codificador de visión SigLIP2, un codificador de audio Whisper-medium, un decodificador de voz CosyVoice2 y un modelo de lenguaje Qwen3-8B, con unos 9.000 millones de parámetros en total. Lee imágenes de hasta 1,8 millones de píxeles y vídeo de hasta 10 fotogramas por segundo, oye la voz y responde en texto o con una voz hablada que puede clonarse a partir de un clip de referencia corto.
La función principal es el dúplex completo: el modelo recibe vídeo y audio continuos mientras habla, así que se le puede interrumpir, y decide una vez por segundo si dice algo por iniciativa propia, como un recordatorio sobre lo que ve. La conversación hablada funciona en inglés y chino. Un mismo checkpoint incluye un modo instruct y un modo de razonamiento.
Los pesos están bajo Apache 2.0. En los últimos 30 días sumaron unas 191.000 descargas en Hugging Face. Es una línea distinta de MiniCPM-V 4.7, solo de visión, que OpenBMB publicó en octubre.
¿Merece la pena MiniCPM-o 4.5?
MiniCPM-o 4.5 reúne voz en directo, vídeo y visión en un único modelo abierto de 9B, y sus resultados de visión aguantan frente a modelos cerrados. En la ficha de OpenBMB promedia 77,6 en las ocho pruebas de visión de OpenCompass, por delante de GPT-4o con 75,4 y de Qwen3-VL-8B con 76,5, y justo por detrás de Gemini 2.5 Flash con 78,5. Obtiene 87,6 en MMBench en inglés, 80,1 en MathVista y 94,7 en DocVQA, y OpenBMB reivindica la mejor puntuación de extremo a extremo en análisis de documentos en inglés en OmniDocBench. Todas son cifras propias.
La tabla de velocidad explica por qué encaja en uso local. En BF16 decodifica a 154,3 tokens por segundo con 0,6 segundos hasta el primer token y 19,0 GB de memoria de GPU; en int4 pasa a 212,3 tokens por segundo en 11,0 GB. Qwen3-Omni-30B-A3B, su rival abierto más cercano, se quedó sin memoria en BF16 en la misma prueba y necesitó 20,3 GB en int4. Las capacidades de texto se sostienen para un modelo de 9B: 77,0 en MMLU, 86,6 en HumanEval y 94,5 en GSM8K.
Los límites están en la parte de voz. La conversación hablada cubre solo inglés y chino, aunque el texto funciona en más de 30 idiomas. La demo web completa en tiempo real pide una GPU NVIDIA con al menos 28 GB, y la vía más barata, llama.cpp-omni, sigue necesitando un Apple M4 Max con 24 GB o una GPU de 12 GB para el dúplex completo. La clonación de voz a partir de un clip de referencia viene integrada, lo que resulta útil para productos y es un problema de consentimiento que tienes que gestionar tú.
No es un asistente del tamaño de un móvil, pese al lema de la ficha. Es un modelo para escritorio o para una sola GPU, y el más reciente MiniCPM-V 4.7 es mejor opción si solo necesitas leer imágenes y documentos.
Dónde se gana su sitio
Un ingeniero de robótica en una start-up de asistentes domésticos de diez personas
Dar a un prototipo una voz que vea la habitación y admita interrupciones a mitad de frase
Ejecuta la versión int4 en una GPU de 12 GB con llama.cpp-omni y envía la entrada de cámara y micrófono en streaming. OpenBMB mide 11,0 GB y 0,6 segundos hasta el primer token; la decisión de hablar o esperar a 1 Hz le permite lanzar avisos sin que se lo pidan.
Una product manager en una app de tutorías en chino
Prototipar un tutor hablado que lea con la cámara la hoja de ejercicios del alumno
Usa el modo de voz bilingüe con una voz configurable y pasa fotos de las hojas de hasta 1,8 millones de píxeles. Su 80,1 en MathVista encaja con deberes de matemáticas; prevé una GPU de 28 GB para la demo web completa.
Un analista de operaciones en una empresa logística
Extraer campos de albaranes escaneados en inglés sin una API en la nube
Sirve el modelo BF16 con vLLM en una tarjeta de 24 GB y pide salida estructurada. El 94,7 en DocVQA y la afirmación sobre OmniDocBench son datos propios, así que revisa una muestra de extracciones antes de fiarte.
Antes de decidirte
- Puesta en marcha
- Cárgalo con transformers en una GPU NVIDIA para precisión completa, o usa las versiones GGUF e int4 en llama.cpp, llama.cpp-omni u Ollama. OpenBMB ofrece una imagen Docker para la demo web en dúplex completo en un Mac.
- Integraciones
- vLLM y SGLang para servir, llama.cpp y Ollama para CPU y Mac, FlagOS para otros chips de IA. La demo web puede actuar como backend de API para otras apps.
- Datos y privacidad
- Autoalojado, así que cámara, micrófono y documentos se quedan en tu hardware. Apache 2.0 permite uso comercial y modificación. La clonación de voz a partir de audio de referencia es una función integrada.
- Coste a escala
- Los pesos son gratuitos. Cuenta con 19,0 GB de memoria de GPU en BF16 u 11,0 GB en int4, según la tabla de OpenBMB; no hay precio publicado por token alojado.
- Límites
- Conversación hablada solo en inglés y chino; la voz semidúplex de la demo web principal sigue en desarrollo. La ventana de contexto no figura en la ficha.
Lo bueno
- Vídeo, audio y voz en dúplex completo en un solo modelo de 9B
- Media de 77,6 en OpenCompass, por encima de GPT-4o (datos propios)
- 11,0 GB y 212,3 tokens por segundo en int4
- Pesos Apache 2.0 con versiones para llama.cpp y Ollama
Lo malo
- Conversación hablada solo en inglés y chino
- La demo completa en tiempo real necesita una GPU de 28 GB
- La clonación de voz plantea cuestiones de consentimiento que debes gestionar
- MiniCPM-V 4.7, solo de visión, es más reciente para documentos
Ideal para
Desarrolladores que crean un asistente local y privado de voz y cámara en inglés o chino con una GPU o un Mac de gama alta.
Alternativas a MiniCPM-o 4.5
MiniCPM-o 4.5: preguntas frecuentes
- ¿Merece la pena MiniCPM-o 4.5?
- Es el modelo abierto por el que empezar si quieres un asistente local que vea y hable en tiempo real, siempre que te baste con inglés o chino. Le damos un 4.1 sobre 5.
- ¿Cuánto cuesta MiniCPM-o 4.5?
- Pesos gratuitos bajo Apache 2.0. No hay precio publicado de un servicio alojado propio; pagas tu propio hardware.
- ¿Qué inconvenientes tiene MiniCPM-o 4.5?
- Conversación hablada solo en inglés y chino; la demo completa en tiempo real necesita una GPU de 28 GB; la clonación de voz plantea cuestiones de consentimiento que debes gestionar; miniCPM-V 4.7, solo de visión, es más reciente para documentos.
- ¿Para quién es MiniCPM-o 4.5?
- Desarrolladores que crean un asistente local y privado de voz y cámara en inglés o chino con una GPU o un Mac de gama alta.
- ¿Cuánto cuesta MiniCPM-o 4.5 para un equipo o en producción?
- Los pesos son gratuitos. Cuenta con 19,0 GB de memoria de GPU en BF16 u 11,0 GB en int4, según la tabla de OpenBMB; no hay precio publicado por token alojado.
- ¿Es MiniCPM-o 4.5 seguro para los datos de la empresa?
- Autoalojado, así que cámara, micrófono y documentos se quedan en tu hardware. Apache 2.0 permite uso comercial y modificación. La clonación de voz a partir de audio de referencia es una función integrada.
- ¿Cuáles son las mejores alternativas a MiniCPM-o 4.5?
- Las alternativas más cercanas que hemos analizado son MiniCPM-V 4.7 (35B-A3B and 1B), Gemma 4, Phi-4-multimodal y LFM3.
Respuestas comprobadas el 7 nov 2026.
¿Desarrollas MiniCPM-o 4.5? Muestra esta nota en tu web
