MiniCPM ist eine Reihe kleiner Sprachmodelle der an der Tsinghua-Universität angesiedelten Forschungsgruppe OpenBMB. Die Modelle sind darauf ausgelegt, auf Telefonen, Laptops und einzelnen Grafikkarten zu laufen statt in einem Rechenzentrum.
Zusammenfassung
Die Reihe verfolgt die Gegenrichtung zum vorherrschenden Trend. Während die Spitzenmodelle in den Billionenbereich wachsen, fragt MiniCPM, wie weit man mit wenigen Milliarden Parametern kommt.
Die jüngste Fassung MiniCPM5-2B erschien am 7. September 2026: ein dichtes Modell mit 2,5 Milliarden Parametern unter Apache-2.0-Lizenz (OpenBMB 2026), das nach Angaben der Gruppe das stärkste offene Modell unterhalb von vier Milliarden Parametern ist.
Bemerkenswerter als das Modell ist die Art der Veröffentlichung. OpenBMB legt nicht nur die Gewichte offen, sondern auch die Datensätze des Nachtrainings.
Begriffsgeschichte
Die Ausgangsarbeit (2024)
Die Reihe geht auf eine Veröffentlichung zurück, die untersuchte, wie sich kleine Sprachmodelle durch skalierbare Trainingsstrategien verbessern lassen. Die Frage war nicht, wie groß ein Modell werden kann, sondern wie viel sich aus einem kleinen herausholen lässt.
MiniCPM5-2B (September 2026)
Die Fassung vom 7. September 2026 erscheint in acht Ausprägungen zugleich: als Basismodell, nach überwachter Feinabstimmung, als Zwischenstand des Trainings sowie in mehreren Formaten für den Betrieb auf unterschiedlicher Hardware. Hinzu kommt ein eigenes Hilfsmodell für spekulatives Dekodieren.
Neun verschiedene Beschleuniger-Familien werden vom ersten Tag an unterstützt – ein Aufwand, der sich nur erklärt, wenn der Betrieb auf fremden Geräten der eigentliche Zweck ist.
Methodische Grundlagen
Der Ansatz kleiner Modelle lebt von der Qualität der Trainingsdaten. OpenBMB veröffentlicht diese mit: einen aufbereiteten Datensatz aus Webtexten, einen für Programmcode sowie Datensätze für agentische Feinabstimmung und für bestärkendes Lernen.
Das ist ungewöhnlich. Bei den meisten Modellen mit offenen Gewichten bleibt die Trainingsgrundlage verschlossen – was Aussagen über ihre Fähigkeiten grundsätzlich schwer prüfbar macht, weil sich Benchmark-Kontamination nicht ausschließen lässt. MiniCPM entzieht sich diesem Einwand.
Einordnung
Kleine Modelle auf dem eigenen Gerät berühren zwei Fragen unmittelbar: Datenschutz, weil keine Eingabe das Gerät verlässt, und Verfügbarkeit, weil kein Vertrag und keine Netzverbindung nötig sind.
Für die europäische Debatte ist das mehr als eine technische Randnotiz. Eine Verarbeitung, die das Gerät nicht verlässt, verändert die datenschutzrechtliche Bewertung von Grund auf.
Kontroversen und Kritik
Die Vergleichsangabe stammt vom Anbieter. Dass MiniCPM5-2B das stärkste offene Modell unter vier Milliarden Parametern sei, ist eine Aussage der Gruppe selbst. Die Klasse ist zudem eng geschnitten – eine Schranke bei vier Milliarden Parametern legt fest, gegen wen verglichen wird.
Kleine Modelle bleiben kleine Modelle. Die Reihe ist bei Programmierung, Mathematik und agentischen Aufgaben gegenüber gleich großen Modellen im Vorteil. Der Abstand zu den Spitzenmodellen bleibt davon unberührt.
Versionsüberblick
| Version | Datum | Wichtigste Änderung |
|---|---|---|
| MiniCPM (Ausgangsarbeit) | 2024 | Untersuchung skalierbarer Trainingsstrategien für kleine Modelle |
| MiniCPM5-2B | 7. September 2026 | 2,5 Mrd. Parameter, Apache 2.0, Trainingsdaten mitveröffentlicht |
Stand September 2026
MiniCPM5-2B ist wenige Tage alt. Die Reihe steht für einen Zweig der Entwicklung, der in der öffentlichen Wahrnehmung hinter den Spitzenmodellen zurücktritt, für die praktische Verbreitung von KI aber möglicherweise mehr bedeutet.
Verwandte Begriffe
- Open Weights – die Veröffentlichungsform, hier samt Daten
- Benchmark-Kontamination – der Einwand, dem offene Daten begegnen
- Large Language Models – die Modellklasse
Quellenangaben
- Hu, Shengding u. a. (OpenBMB), 2024. MiniCPM: Unveiling the Potential of Small Language Models with Scalable Training Strategies. arXiv: 2404.06395.
- OpenBMB, 2026. MiniCPM5: SOTA On-Device LLMs. github.com/openbmb/minicpm, 7. September 2026.