iPhone Air上每秒生成37个词，这真是令人惊叹！🚀 这正是小型高效开源模型的强项：强大的多模态智能，无需依赖云GPU。很高兴看到MiniCPM5-2B能在手机上流畅运行。NobodyWho：我在iPhone Air上运行@OpenB

Jev 引发了一个有趣的问题：为什么生成一段话，让代理做出决策呢？直接选择路线、分类输入、选择下一步行动——许多AI工作流程中的步骤只需要从已知选项中做出明确的选择。这就是 ReJev 项目背后的想法，这是一个独立社区项目，旨在用 Mini

“3”的奖励可能完全代表两种不同的意思。大家普遍认为一个回复平庸无奇，或者一半人喜欢另一半人讨厌。大多数奖励模型无法区分这种差异。现在介绍一种新的扩散奖励模型（DRM）：它不会将人类偏好简单地压缩成一个分数，而是学习完整的奖励分布，保留分歧

现在的训练后管道大多采用策略性蒸馏（OPD），让学生在访问每个前缀时都能获得老师的完整下一个标记分布：学生自己进行采样，Qwen3、MiMo、GLM-5、DeepSeek-V4 和 Kimi K3 都是用强化学习（RL）和监督 fine-t

MiniCPM-o 4.5 现已包含在 SGLang Omni v0.1.7 中。这次更新为开发者提供了更多灵活性，让他们可以更方便地运行和构建模型。Guitar Cat + 语言模型：大家好，今天我们发布了 SGLang Omni v0.

RT @0xBakeer：大家都在本周发布3到4个Spark集群的结果。这里是我自己的机器上一个DGX Spark集群的表现：MiniCPM5-2B（OpenBMB的草案）：每秒100.8个词；Qwen3.6-35B-A3B：89.7个词；

大辅·马吉马（MLBoy）的新文章来了：本地模型和Jev（一种云系统分类器）的准确性对比如何？我在Mac上跑了8个模型，用的是相同的JevBench问题。一个40亿参数的模型在短文本上和Jev的准确率相当。但在复杂文本上，所有模型都落后了1

RT，现在连20亿参数这种小模型也开始能干活了？OpenBMB的MiniCPM5-2B主打在本地小设备上运行。有人把它接入到CI修复Agent中，丢了个“结算重试导致运费重复计算”的bug给它。结果这模型自己复现了问题，翻了代码，定位了原因

转发Josh：第一个基于@OpenBMB的Augury应用上线了，用杂草当指示器。是时候修复那些bug了 🦠👌 离线AI，主权化，以农民为中心的A...

非常感谢你分享这个！看到MiniCPM5-2B被用在这样的实际多智能体流程中，真的很酷，特别是这些工人通过工具调用来处理匹配、短款支付、重复参考和争议。非常欣赏你为测试和文档所付出的努力，这是社区的一个很好案例。Joey：接下来在Spark