MiniCPM-o 4.5とは？
MiniCPM-o 4.5は、OpenBMBが2026年2月に公開したオープンなオムニモデルです。SigLIP2の画像エンコーダー、Whisper-mediumの音声エンコーダー、CosyVoice2の音声デコーダー、言語モデルQwen3-8Bという既存の4つの部品をエンドツーエンドで結合し、合計で約90億パラメーターです。最大180万ピクセルの画像と最大毎秒10フレームの動画を読み取り、音声を聞き取り、テキストか、短い参照クリップから複製できる声で答えます。
最大の特徴は全二重です。話している間も映像と音声を受け取り続けるので途中で割り込めます。また毎秒1回、自分から発言するかどうかを判断し、見ているものについての注意喚起などを行います。音声会話は英語と中国語に対応します。1つのチェックポイントにinstructモードと思考モードの両方が入っています。
重みはApache 2.0です。直近30日間のHugging Faceでのダウンロードは約191,000件でした。OpenBMBが10月に公開した画像専用のMiniCPM-V 4.7とは別系統です。
MiniCPM-o 4.5は使う価値があるか？
MiniCPM-o 4.5は、ライブ音声、動画、画像理解を1つのオープンな9Bモデルにまとめており、画像系のスコアはクローズドモデルにも引けを取りません。OpenBMBのモデルカードでは、OpenCompassの8つの画像テストで平均77.6を記録し、GPT-4oの75.4、Qwen3-VL-8Bの76.5を上回り、Gemini 2.5 Flashの78.5にわずかに届きません。MMBench英語で87.6、MathVistaで80.1、DocVQAで94.7を記録し、OmniDocBenchの英語文書解析ではエンドツーエンドで最高スコアだとOpenBMBは主張しています。いずれも自己申告の数値です。
速度表を見ると、ローカル利用に向く理由がわかります。BF16では毎秒154.3トークンでデコードし、最初のトークンまで0.6秒、GPUメモリは19.0 GBです。int4では11.0 GBで毎秒212.3トークンになります。最も近いオープンな競合のQwen3-Omni-30B-A3Bは、同じテストでBF16ではメモリ不足となり、int4で20.3 GBを必要としました。テキスト能力も9Bモデルとしては十分で、MMLUで77.0、HumanEvalで86.6、GSM8Kで94.5です。
限界は音声側にあります。音声会話は英語と中国語のみで、テキストは30以上の言語で動きます。リアルタイムのWebデモをフルに動かすには少なくとも28 GBのNVIDIA GPUが必要で、安価なllama.cpp-omni経由でも全二重には24 GBのApple M4 Maxか12 GBのGPUが要ります。参照クリップからの声の複製が組み込まれており、製品には便利ですが、同意の問題は自分で管理しなければなりません。
モデルカードのうたい文句とは違い、スマートフォン向けのアシスタントではありません。デスクトップか単一GPU向けのモデルであり、画像や文書を読むだけなら新しいMiniCPM-V 4.7のほうが適しています。
真価を発揮する場面
10人規模の家庭用アシスタントのスタートアップで働くロボティクスエンジニア
部 屋を見て、話の途中でも割り込めるような声を試作機に持たせたい
llama.cpp-omniで12 GBのGPUにint4版を載せ、カメラとマイクの入力をストリーミングします。OpenBMBの計測では11.0 GB、最初のトークンまで0.6秒です。1 Hzで話すか待つかを判断するため、頼まれなくても注意を促せます。
中国語の家庭教師アプリのプロダクトマネージャー
カメラで生徒のプリントを読み取る音声チューターを試作したい
声を設定できるバイリンガル音声モードを使い、最大180万ピクセルのプリント写真を渡します。MathVistaの80.1は数学の宿題に向きます。Webデモのフル版には28 GBのGPUを見込んでください。
物流会社のオペレーションアナリスト
クラウドAPIを使わずに、スキャンした英語の納品書から項目を抜き出したい
24 GBのカードでvLLMを使ってBF16モデルを動かし、構造化出力を指示します。DocVQAの94.7とOmniDocBenchの主張は自己申告なので、頼る前に抽出結果の一部を確認してください。
導入前に確認すること
- 導入
- フル精度ならNVIDIA GPU上でtransformersで読み込みます。GGUF版とint4版はllama.cpp、llama.cpp-omni、Ollamaで使えます。OpenBMBはMacで全二重Webデモを動かすDockerイメージを提供しています。
- 連携
- サービングにはvLLMとSGLang、CPUとMacにはllama.cppとOllama、その他のAIチップにはFlagOS。Webデモは他のアプリのAPIバックエンドとしても使えます。
- データとプライバシー
- セルフホストなので、カメラ、マイク、文書は自分のハードウェアにとどまります。Apache 2.0は商用利用と改変を認めています。参照音声からの声の複製は標準機能です。
- 大規模利用時のコスト
- 重みは無料です。OpenBMBの表によるとGPUメモリはBF16で19.0 GB、int4で11.0 GBが目安です。ホスト版のトークン単価は公開されていません。
- 制限
- 音声会話は英語と中国語のみです。メインのWebデモの半二重音声はまだ開発中です。コンテキスト長はモデルカードに記載がありません。
良い点
- 全二重の映像、音声、発話を1つの9Bモデルで
- OpenCompass平均77.6でGPT-4o超え（自己申告）
- int4で11.0 GB、毎秒212.3トークン
- Apache 2.0の重み、llama.cppとOllama用ビルドあり
気になる点
- 音声会話は英語と中国語のみ
- リアルタイムデモのフル版は28 GBのGPUが必要
- 声の複製には自分で対処すべき同意の問題がある
- 文書用途なら画像専用のMiniCPM-V 4.7のほうが新しい
おすすめの人
英語か中国語で、プライベートなローカル音声・カメラアシスタントを1枚のGPUか上位機種のMacで作る開発者。
MiniCPM-o 4.5の代替
MiniCPM-o 4.5：よくある質問
- MiniCPM-o 4.5は使う価値があるか？
- 英語か中国語で足りるなら、リアルタイムで見て話すローカルアシスタントを作る出発点はこのオープンモデルです。 評価は5点満点中4.1点です。
- MiniCPM-o 4.5の料金は？
- Apache 2.0の重みは無料です。自社ホスティングの価格は公開されておらず、費用は自前のハードウェア分です。
- MiniCPM-o 4.5の欠点は？
- 音声会話は英語と中国語のみ; リアルタイムデモのフル版は28 GBのGPUが必要; 声の複製には自分で対処すべき同意の問題がある; 文書用途なら画像専用のMiniCPM-V 4.7のほうが新しい.
- MiniCPM-o 4.5は誰に向いているか？
- 英語か中国語で、プライベートなローカル音声・カメラアシスタントを1枚のGPUか上位機種のMacで作る開発者。
- チームや本番環境でMiniCPM-o 4.5を使うと費用はいくらか？
- 重みは無料です。OpenBMBの表によるとGPUメモリはBF16で19.0 GB、int4で11.0 GBが目安です。ホスト版のトークン単価は公開されていません。
- MiniCPM-o 4.5は企業データを扱っても安全か？
- セルフホストなので、カメラ、マイク、文書は自分のハードウェアにとどまります。Apache 2.0は商用利用と改変を認めています。参照音声からの声の複製は標準機能です。
- MiniCPM-o 4.5の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はMiniCPM-V 4.7 (35B-A3B and 1B), Gemma 4, Phi-4-multimodal 、 LFM3です。
回答確認日：2026年11月7日
MiniCPM-o 4.5の開発元の方へ：この評価をサイトに掲載できます
