当前位置： 首页 > news >正文

MiniCPM-o 2.6：性能媲美GPT-4o，轻松玩转AI多模态直播与语音识别！

news 2026/6/13 1:31:16
  1. 性能表现：MiniCPM-o 2.6 在视觉、语音和多模态直播领域表现出色，性能媲美GPT-4o。
  2. 功能特点：支持实时双语语音识别、情感/语速/风格控制、端到端声音克隆等功能。
  3. 高效推理：仅需640个token即可处理180万像素图像，推理速度显著提升。

正文（附运行示例）

MiniCPM-o 2.6 是什么

MiniCPM-o 2.6 是 MiniCPM-o 系列的最新版本，具有 8B 参数量。该模型在视觉、语音和多模态直播等多个领域表现出色，性能与 GPT-4o 相当。MiniCPM-o 2.6 支持实时双语语音识别，超越了 GPT-4o 的实时识别表现，并支持 30 多种语言。

MiniCPM-o 2.6 基于先进的 token 密度技术，处理 180 万像素图像仅产生 640 个 tokens，显著提高了推理速度和效率。该模型还支持在 iPad 等端侧设备上高效运行多模态直播。

MiniCPM-o 2.6 的主要功能

  • 领先的视觉能力：支持处理任意长宽比的图像，像素数可达 180 万（如 1344×1344）。
  • 出色的语音能力：支持可配置声音的中英双语实时对话，支持情感/语速/风格控制、端到端声音克隆、角色扮演等进阶能力。
  • 强大的多模态流式交互能力：接受连续的视频和音频流，并与用户进行实时语音交互。
  • 高效的推理能力：仅需 640 个 token 即可处理 180 万像素图像，比大多数模型少 75%。支持在 iPad 等终端设备上高效进行多模态实时流式交互。
  • 易于使用：支持多种推理方式，包括 llama.cpp、ollama、vLLM 等。提供 int4 和 GGUF 格式的量化模型，降低内存使用和加速推理。

MiniCPM-o 2.6 的技术原理

  • 端到端全模态架构：不同模态的编码器/解码器用端到端的方式连接和训练，充分基于丰富的多模态知识。
  • 全模态直播机制：将离线模态编码器/解码器改为在线版本，支持流式输入/输出，设计时间分割复用（TDM）机制，用在LLM主干中的全模态流处理。
  • 可配置的语音建模设计：设计多模态系统提示，包括传统的文本系统提示和新的音频系统提示，确定助手的音色，实现灵活的音色配置。

如何运行 MiniCPM-o 2.6

1. 安装依赖

首先，克隆仓库并安装依赖：

git clone https://github.com/OpenBMB/MiniCPM-o.git cd MiniCPM-o conda create -n MiniCPM-o python=3.10 -y conda activate MiniCPM-o pip install -r requirements.txt
2. 运行多轮对话示例

以下是一个简单的多轮对话示例：

import torch from PIL import Image from transformers import AutoModel, AutoTokenizer model = AutoModel.from_pretrained('openbmb/MiniCPM-o-2_6', trust_remote_code=True, attn_implementation='sdpa', torch_dtype=torch.bfloat16) model = model.eval().cuda() tokenizer = AutoTokenizer.from_pretrained('openbmb/MiniCPM-o-2_6', trust_remote_code=True) image = Image.open('./assets/show_demo.jpg').convert('RGB') question = "What is the landform in the picture?" msgs = [{'role': 'user', 'content': [image, question]}] answer = model.chat(msgs=msgs, tokenizer=tokenizer) print(answer)
3. 运行语音对话示例

以下是一个语音对话示例：

import librosa from transformers import AutoModel, AutoTokenizer model = AutoModel.from_pretrained('openbmb/MiniCPM-o-2_6', trust_remote_code=True, attn_implementation='sdpa', torch_dtype=torch.bfloat16) model = model.eval().cuda() tokenizer = AutoTokenizer.from_pretrained('openbmb/MiniCPM-o-2_6', trust_remote_code=True) model.init_tts() model.tts.float() audio_input, _ = librosa.load('xxx.wav', sr=16000, mono=True) msgs = [{'role': 'user', 'content': [audio_input]}] res = model.chat( msgs=msgs, tokenizer=tokenizer, sampling=True, max_new_tokens=128, use_tts_template=True, generate_audio=True, output_audio_path='output.wav', ) print(res)

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型

  • 带你了解全球大模型

  • 使用国产大模型服务

  • 搭建 OpenAI 代理

  • 热身：基于阿里云 PAI 部署 Stable Diffusion

  • 在本地计算机运行大模型

  • 大模型的私有化部署

  • 基于 vLLM 部署大模型

  • 案例：如何优雅地在阿里云私有部署开源大模型

  • 部署一套开源 LLM 项目

  • 内容安全

  • 互联网信息服务算法备案

  • …

    👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

http://www.jsqmd.com/news/1002244/

相关文章：

  • Transformer：现代大模型核心架构入门
  • Rust周刊2026W23 | Rust基金会维护者基金、halloy 2026.7、Zstandard Rust实现、Roto一周年、gRPC-Rust路线图
  • 智能体时代的产品经理如何转型
  • GEE新手避坑指南：获取MODIS NDVI数据时，为什么你的值域总是不对？
  • Java毕设项目： 基于 SpringBoot 的医疗机构就诊服务管理系统的设计与实现(源码+文档，讲解、调试运行，定制等)
  • 别再手动改文献了！用Better BibTex插件5分钟搞定Zotero导出格式，完美对齐Google Scholar
  • 别再让三坐标测量机闲着！NETDMIS5.0脱机编程实战：从CAD导入到虚拟找正，一次搞定
  • GPT-4参数量与稀疏激活真相：1.8万亿参数和2% per token的工程本质
  • 色弱的人
  • 细说RocketMQ双网卡问题
  • i.MX21架构解析：异构计算与低功耗设计如何重塑嵌入式多媒体
  • 用Arduino UNO和ULN2003驱动28BYJ-48步进电机，手把手教你做个迷你云台
  • PrivAct框架：多智能体协同的LLM隐私保护方案
  • VMware Workstation Pro 17 虚拟化技术指南：许可证管理与企业级部署方案
  • 5G NR HARQ配置避坑指南：异步、自适应参数怎么调？
  • 线程管理特点 线程属性 线程状态之间切换
  • 别再只会用装饰器了！用Python Hook机制给你的Flask/Django应用加个‘插件’功能
  • PVZ Toolkit技术架构解析：内存注入与跨版本兼容性实现
  • 组件库版本管理与语义化发布：从手动发包到自动化交付链路
  • 3大核心技术揭秘：ComfyUI-Easy-Use如何实现GPU资源高效释放
  • 数字信号控制器DSC：融合DSP与MCU优势，实现电机驱动与实时控制
  • 2026年浙江牛皮纸扑克牌源头厂家专业实力与选型全解析 - 品牌鉴赏官2026
  • 用STM32CubeMX给SD卡做个“体检”：手把手教你读取CID/CSD信息并计算容量（SPI+FATFS）
  • 手把手教你给i.MX RT1021核心板刷入MicroPython（附LCD驱动配置）
  • 终极免费Flash逆向工具：如何用JPEXS解构失落的SWF遗产
  • HP 3457A万用表Python自动化工具：GPIB控制+实时曲线+出厂精度比对
  • Fast-GitHub：彻底解决国内GitHub访问慢的创新技术方案
  • 电缆故障定位仪：实战选型、技术解析与效率提升指南
  • NSK LH65EL 导轨滑块升级及参数详解
  • Kimi版超级玛丽效果“惊人”，配额不足5厘米！