< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
先自己写出了一套大模型预训练框架，然后再用这套预训练框架，训练出了一个新的小尺寸模型！
完全由AI编写的生产级大模型预训练框架，性能甚至
并且ForgeTrain在华为昇腾上预训练MiniCPM5-1B，相比昇腾的框架也有10%的加速。
围绕它，面壁智能还提出了一套新的软件编程范式，叫
更直白一点说，就是当AI写代码的成本越来越低，未来软件不一定非要做成一套通用大框架，也可以针对不同模型、不同硬件、不同任务，现场锻造一套专用代码。
而被ForgeTrain训练出来的新模型，就是
虽然过去行业里关于“AI制造AI”的声音不断，但总归来说，都还停留在特定的环节，比如写一段函数、改一个脚本、调一组参数等等。
不过这一次，中国大模型公司第一次把“AI制造AI”从概念，推进到了可展示、可评测、可复现的工程样本。
既然MiniCPM5-1B是ForgeTrain训练出来的模型，最直接的问题来了：
这个1B参数规模的小模型，它可以常驻在电脑桌面上，变成一个随时响应的AI小伙伴。你可以跟它聊天，让它根据上下文接话，也可以给它设置不同的人格。
https://mp.weixin.qq.com/s/Ci0BXKMJHy086MycdqH77w
（本项目基于clawd-on-desk项目二次开发：
https://github.com/OpenBMB/MiniCPM-Desk-Pet）
这个桌宠的重点在于，它不是一定要跑在云端的大模型服务，1B规模意味着它足够小，部署门槛也足够低。
按照面壁智能官方的说法，MiniCPM5-1B在FP16精度下权重体积约2GB，适合GPU、高端笔电和服务器；INT4/Q4精度约0.5GB，可以面向手机、平板、车机等设备。
MiniCPM5-1B想证明的，是1B模型也可以更能打。
在综合知识、数学推理、代码推理、工具调用等方向上，MiniCPM5-1B都拿出了面向同尺寸端侧模型的对比结果。
公开评测中，MiniCPM5-1B/think平均分为42.57；在MMLU-Pro、MMLU-Redux、AIME-2025、AIME-2026、BFCL-v4、AA榜单等项目上，也给出了对应成绩。
尤其值得一提的是，MiniCPM5-1B再次刷新了小模型的智能密度上限。
仅以1B参数规模，它就在国际知名榜单AA-Index上超越了所有2B参数以下模型。相比3个月前发布的Qwen3.5-2B，MiniCPM5-1B不仅效果更优，参数量还减少了一半。
这背后其实指向一个越来越清晰的趋势：模型能力提升，不再只靠把参数规模越堆越大。更小的模型，也正在承载更高的智能密度。按照这一趋势观察，大模型的智能密度正在以约每3.5个月翻一番的速度持续提升。
这也让MiniCPM5-1B的价值更明确了，它不只是一个小尺寸模型，而是一个在参数规模、部署成本和实际能力之间重新找平衡点的端侧模型。
https://mp.weixin.qq.com/s/Ci0BXKMJHy086MycdqH77w
虽然这听起来像聊天产品里的基础功能，但在端侧模型上意义更大，因为端侧模型离用户更近，更容易成为本地设备上的轻量级智能入口。
它可以记住用户偏好的交互方式，也可以根据不同场景切换风格。
如果大模型要从云端走向每个人的设备，模型必须足够小、足够便宜、足够好用，还要有完整工具链。
MiniCPM5-1B提供了模型、推理、微调相关工具链。推理侧支持SGLang、vLLM、llama.cpp、Ollama、Hugging Face、ArcLight等；微调侧支持LLaMA-Factory、ms-swift等工具。
对开发者来说，这比单纯给一个模型权重更重要。
因为模型能不能被用起来，往往不只取决于模型本身，也取决于部署、推理、量化、微调、接入工作流是不是顺手。