← Alle Modelle

OpenBMB · MiniCPM

MiniCPM5-1B

MiniCPM5-1B

open-weightModell, dessen trainierte Gewichte öffentlich herunterladbar sind, sodass man es selbst (lokal oder auf eigener Hardware) betreiben kann. Nicht zwingend vollständig quelloffen – die Lizenz bestimmt die erlaubte Nutzung.Mehr im Wissen →Text

SituativKognitiver Kern fürs Gerät

Nicht auf Benchmark-Spitzen gebaut, sondern auf die Idee des „kognitiven Kerns“: ein 1-Mrd.-ParameterDie im Training gelernten „Stellschrauben“ eines Modells (gezählt in Milliarden). Mehr Parameter heißt grob mehr Kapazität, aber auch mehr Rechen- und Speicherbedarf – und sagt allein wenig über die Qualität.Mehr im Wissen →-Modell, das lokal auf Consumer-Hardware – bis hin zum Smartphone oder im Browser – laufen soll und Reasoning plus Tool-Use behält, statt Enzyklopädie-Wissen in den Gewichten zu horten. Apache-2.0-offen, mit dem gesamten Trainings-Rezept. Empfehlung dort, wo On-Device-/Offline-Betrieb und ein winziger Footprint wichtiger sind als absolute Leistung.

  • On-Device-/Edge-Agenten
  • lokale Tool-Use-/RAG-Assistenten
  • eingebettete Intelligenz in Hardware/Apps
KontextfensterDie maximale Textmenge (in Tokens), die ein Modell pro Anfrage gleichzeitig „im Blick“ hat – Eingabe plus bisheriger Verlauf. Ist es voll, fällt Älteres aus dem Kontext.Mehr im Wissen →
131 KTokenDie kleinste Verarbeitungseinheit eines Sprachmodells – ein Wortstück, kein ganzes Wort. Faustregel: rund 1.000 Tokens entsprechen grob 750 deutschen Wörtern. Preise und Kontextlängen werden in Tokens gerechnet.Mehr im Wissen →
Preis (Input / Output)
k. A. je 1 Mio. Token
WissensstichtagDer Zeitpunkt, bis zu dem die Trainingsdaten eines Modells reichen („knowledge cutoff“). Über spätere Ereignisse weiß das Modell von sich aus nichts – es sei denn, sie werden ihm in der Anfrage mitgegeben.Mehr im Wissen →
nicht ausgewiesen

Stärken

  • Offene Gewichte unter Apache-2.0 – lokal/self-hosted, komplettes Trainings-Rezept und die Datensätze offengelegt
  • Nur ~1,08 Mrd. [[Parameter|parameter]] (dense, Llama-Stil), 128-K-Kontext – läuft on-device bis hin zu älteren Smartphones und im Browser
  • Auf [[agentische]] Tool-Use und Coding ausgerichtet; schaltbares Thinking (`<think>`) aus einem Checkpoint
  • Token-effizient und halluzinationsarm für seine Größe (nach Anbieter-/AA-Messung)

Schwächen

  • 1-Mrd.-Klasse: schwaches Instruction-Following, unzuverlässig bei langen agentischen Trajektorien, kein echter Konkurrent für Cloud-Flaggschiffe
  • Text-only (keine Vision wie das ältere MiniCPM-V 4.6)
  • Kein zentraler Token-Preis – Kosten je nach eigener Infrastruktur
  • Neigt zu überlangen Chain-of-Thought-Schleifen, die Antworten ins Token-Limit laufen lassen

Typische Einsatzfälle

  • On-Device-/Edge-KI
  • lokale Tool-Use-Agenten und Mini-RAG
  • eingebettete Intelligenz in Geräten/Apps

Benchmarks im Detail

Kennzahlen aus zitierten Messungen – unabhängige Quellen sind ausgewiesen, Anbieterangaben entsprechend markiert. Werte sind nicht über Skalen hinweg vergleichbar. Wie man Benchmark-Zahlen liest →

  • 1B-Klasse Open-Source-SOTA (Tool-Use/Coding/Reasoning)

    SOTA in seiner Größenklasse (Anbieterangabe)

    AnbieterangabeOpenBMB – MiniCPM5-1B Model-Card (Hugging Face), abgerufen 2026-07-06

  • RL + On-Policy-Distillation (Effekt lt. Card)

    überlange Antworten −29 Pp., Math/Code +16 Punkte ggü. SFT-Checkpoint

    AnbieterangabeOpenBMB – MiniCPM5-1B Model-Card (Hugging Face), abgerufen 2026-07-06

Einordnung

  • Umsetzung von Karpathys „Cognitive Core“-These: ein bewusst winziges (~1 Mrd. ParameterDie im Training gelernten „Stellschrauben“ eines Modells (gezählt in Milliarden). Mehr Parameter heißt grob mehr Kapazität, aber auch mehr Rechen- und Speicherbedarf – und sagt allein wenig über die Qualität.Mehr im Wissen →) Modell, das Reasoning und Tool-Use behält, statt Enzyklopädie-Wissen in den Gewichten zu speichern – gedacht als Intelligenz-Schicht für Geräte, die vorher keine hatten.
  • Deutlich kleiner als das offene Mittelfeld (Gemma 4 12B, LFM & Co.): dieselbe Lokal-/Offline-Nische, aber eine Größenordnung kompakter – dafür ohne Multimodalität und ohne Benchmark-Anspruch gegenüber den Flaggschiffen.
  • Vollständig offengelegtes Trainings-Rezept (Ultra-Fine-Web-Daten, Math-Pretraining, SFT-Mischung) und mehrere Varianten (Base, SFT, final, GGUF, MLX) – reproduzierbarer als die meisten offenen wie geschlossenen Anbieter.Beleg · Primärquelle

Aus der System-Card

Verdichtete Befunde aus der offiziellen System-CardDas offizielle Begleitdokument eines Anbieters zu einem Modell (auch „Model Card“): Fähigkeiten, Grenzen, Sicherheitsbewertung. Primärquelle – die Fähigkeitsangaben darin sind aber Eigenangaben, nicht unabhängig gemessen.Mehr im Wissen → des Anbieters (Primärquelle, Tier (A/B/C)Verlässlichkeits-Stufe einer Quelle in der KI-Depesche: A = Primärquelle (z. B. offizielle Doku), B = solide Sekundärquelle, C = subjektiv/Einzelstimme. Steuert, wie stark eine Aussage gewichtet wird.Mehr im Wissen →). Fähigkeitswerte sind Anbieterangaben – nicht unabhängig nachgemessen.

Fähigkeiten

  • Architektur – Dense 1-Mrd.-Transformer im Llama-Stil: 24 Layer, Grouped-Query-Attention (16 Query-/2 KV-Heads), 131.072 Token Kontext, 1,08 Mrd. Parameter gesamt.
  • Agentik & Coding – Laut Card „1B-Klasse Open-Source-SOTA“, mit dem größten Vorsprung bei Tool-Use, Code-Generierung und schwierigem Reasoning – gedacht für lokale Coding-Agenten und Tool-Assistenten.
  • Hybrid-Reasoning – Ein einziger Checkpoint dient über die `<think>`-Vorlage (`enable_thinking`) sowohl als schneller Assistent als auch als bewusster Reasoner.
  • Training – Über SFT hinaus mit Reinforcement Learning und On-Policy-Distillation trainiert; laut Card senkt das überlange Antworten um 29 Prozentpunkte bei zugleich +16 Punkten auf Math/Code.

Vom Anbieter (OpenBMB/Tsinghua NLP) selbst berichtete Kennzahlen; unabhängige Messung steht aus. Die Benchmark-Vergleiche der Card beziehen sich auf Modelle derselben ~1-Mrd.-Größenklasse (u. a. Qwen3.5-0.8B/Qwen3-0.6B).

OpenBMB – MiniCPM5-1B Model-Card (Hugging Face)· Primärquelle, abgerufen 2026-07-06

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

  • gemischtEin ernstzunehmender Kandidat für Karpathys „Cognitive Core“-Idee: ein 1-Mrd.-Modell, das lokal auf dem Handy und sogar im Browser laufen kann, konsistent einfache Tool-Calls und mehrschrittiges Reasoning schafft. Bei langlaufenden agentischen Trajektorien ist es aber „hit and miss“, Instruction-Following ist schwach – ein fairer Vergleich mit GLM 5.2 ist es ausdrücklich nicht.Sam Witteveen – „MiniCPM5 - The 1B Cognitive Core?“ (YouTube) · Community, Juli 2026
  • positivLaut Artificial-Analysis-Messung (von Witteveen zitiert) ist MiniCPM5-1B deutlich token-effizienter als größere Reasoning-Peers – „31× weniger“ Tokens als die Qwen-3.5-2B-Reasoning-Variante auf ihrem Benchmark-Set; auf der halluzinationsstrafenden AA-Omniscience-Metrik nur −1 statt der stark negativen Werte kleinerer Modelle (erkennt also meist, wenn es etwas nicht weiß).Sam Witteveen – „MiniCPM5 - The 1B Cognitive Core?“ (YouTube) · Community, Juli 2026

ℹ️ 1.080.632.832 Parameter gesamt (679.552.512 ohne Embeddings), 24 Layer, Grouped-Query-Attention (16 Query- / 2 KV-Heads), 131.072 Token Kontext, dense im Llama-Stil. Apache 2.0. Schaltbares Reasoning über `enable_thinking`. Varianten: Base (nur Pretraining), SFT, finale RL+OPD-Version, GGUF (llama.cpp/Ollama), MLX (Apple Silicon). Aus dem Tsinghua-NLP-Lab (OpenBMB); Nachfolge-Serie zum multimodalen MiniCPM-V 4.6. Verfügbar via Hugging FaceDie zentrale Plattform, auf der offene KI-Modelle (ihre Gewichte) samt Spezifikation veröffentlicht und heruntergeladen werden – die „GitHub-Drehscheibe“ der open-weight-Szene.Mehr im Wissen →.