MiniCPM-V 4.5

MiniCPM-V 4.5 于 2025 年 8 月 26 日发布，总参数量 8B，采用 3D-Resampler 和混合强化学习方法。

核心亮点

77.0 OpenCompass 平均分 — 视觉-语言能力评测结果：在 OpenCompass（综合 8 个主流评测集）上取得 77.0 平均分，参数量 8B。同表中的对照模型包括 GPT-4o-latest、Gemini-2.0 Pro 与 Qwen2.5-VL 72B，各项分数见评测表。
高效的高帧率与长视频理解：全新统一图像-视频 3D-Resampler 实现高达 96× 的视频 token 压缩（6 帧 448×448 仅需 64 token，而多数 MLLM 需 1,536），可在不增加 LLM 推理成本的前提下感知更多视频帧，在 Video-MME、LVBench、MLVU、MotionBench、FavorBench 上支持最高 10 FPS 的高帧率与长视频理解，各项得分见评测表。
OCR、文档解析与可控推理：基于 LLaVA-UHD 处理任意宽高比、最高 180 万像素（如 1344×1344）的高清图像，视觉 token 数为多数 MLLM 的 1/4。OCRBench 得 89 分，同表对照 GPT-4o 得 82.2 分、Qwen2.5-VL-72B 得 88.2 分；OmniDocBench PDF 解析（EN／ZH，数值越低越好）为 0.175／0.253，同表对照 GPT-4o 为 0.233／0.399。支持可控的「快思/深思」双模式与 30+ 语言；基于 RLAIF-V / VisCPM，MMHal Score 为 5.0，MMHal Rate（越低越好）为 19.4，各项分数见评测表。

统一 3D-Resampler 实现高密度视频压缩：引入 3D-Resampler 架构，将多达 6 帧连续视频帧联合压缩至 64 个 token，实现 96× 视频 token 压缩率，在不增加 LLM 计算成本的前提下支持高帧率及长视频理解；同时统一编码图像、多图和视频，使能力与知识在三种输入形态间保持一致。
统一学习范式融合 OCR 与文档知识：通过动态损坏文档文本区域并要求模型重建，使模型自适应地在精确文本识别与多模态上下文推理之间切换，摆脱对易错文档解析器的依赖，避免 OCR 数据过度增强导致的幻觉，OCRBench 得 89 分，多模态知识任务的各项得分见评测表。
混合强化学习优化双模态推理：采用混合强化学习方法联合优化「快速思考」与「深度思考」两种可切换模式，两种模式的分数变化见评测表；结合 RLPR 与 RLAIF-V 从多模态数据中泛化推理能力，幻觉相关指标为 HallusionBench 61.2、MMHal Score 5.0、MMHal Rate 19.4（越低越好）。

测评结果为官方报告，或基于官方权重的本地复现；OmniDocBench 为编辑距离，数值越低越好。