MiniCPM5-2B: โมเดล 2.5B ที่ได้ SWE-bench Verified 46.4 และ AIME 2026 86.5 — Apache 2.0 ครบทั้งเช็กพอยต์ ข้อมูลเทรน และ Agent Skill 17 ตัวสำหรับกาง

โมเดลเปิดขนาดเล็กออกทุกสัปดาห์จนแทบไม่มีตัวไหนน่าเขียนถึง แต่ MiniCPM5-2B ที่ OpenBMB อัปขึ้น Hugging Face เมื่อ 6 ก.ย. 2026 เวลา 11:12 UTC (รีโป GGUF และ MLX ขึ้นก่อนหน้านั้นตั้งแต่ 5 ก.ย.) มีตัวเลขที่ทำให้ต้องหยุดดู — โมเดลหนาแน่น 2,516,756,480 พารามิเตอร์ ตัวเดียวได้ SWE-bench Verified 46.4, AIME 2026 86.5 และ τ²-Bench Telecom 97.1 ในน้ำหนักที่บีบเป็น GGUF Q4_K_M แล้วเหลือ 1.56 GB คือขนาดที่ลงโทรศัพท์ได้จริง

ที่สำคัญกว่าตัวเลขคือสิ่งที่ปล่อยมาด้วย: ใบอนุญาต Apache-2.0 เต็มรูปแบบ, เช็กพอยต์ทั้งบันได (Base → Midtrain → SFT → ตัวปล่อยจริง), คลังข้อมูลเทรนแปดชุด และไดเรกทอรี Agent Skill 17 ตัวในรูปแบบ SKILL.md ที่เขียนไว้ให้เอเจนต์อ่านแล้วกางโมเดลเองได้ นี่เป็นโมเดลตัวแรก ๆ ที่ผู้ผลิตส่ง skill มาให้พร้อมน้ำหนัก

สเปกและสิ่งที่อยู่ในกล่อง

config.json บอกว่าสถาปัตยกรรมคือ LlamaForCausalLM ตรง ๆ — ไม่มีคลาสกำหนดเอง ไม่ต้อง trust_remote_code ซึ่งแปลว่ารันไทม์ที่รองรับ Llama อยู่แล้วรับได้ทันที

รายการ	ค่า
พารามิเตอร์	2,516,756,480 (ไม่นับ embedding 1,981,982,720)
เลเยอร์ / hidden / intermediate	42 / 2048 / 6144
Attention	GQA 16 หัว Q ต่อ 2 หัว KV, head_dim 128
คอนเท็กซ์	131,072 โทเคน (rope_theta 5,000,000)
vocab	130,560
ใบอนุญาต	Apache-2.0 (ทั้งรีโปและน้ำหนัก)
ภาษาที่ระบุ	อังกฤษ, จีน

ไฟล์ที่ปล่อยพร้อมกัน — BF16 ตัวเต็ม 5.03 GB, GGUF สามระดับ (F16 5.04 GB / Q8_0 2.68 GB / Q4_K_M 1.56 GB), MLX 4 บิต (affine, group_size 64) ขนาด 1.42 GB สำหรับ Apple Silicon, GPTQ 4 บิต และ DSpark ซึ่งเป็นโมเดลร่างสำหรับเร่ง speculative decoding นอกจากนี้ยังมีบิลด์ FlagOS สำหรับชิปเก้าตระกูล (Nvidia, Hygon, Metax, Iluvatar, Zhenwu, Mthreads, Kunlunxin, Ascend, ARM-v9) ซึ่งเป็นสัญญาณชัดว่าปลายทางของโมเดลนี้คือฮาร์ดแวร์จีนที่ไม่ใช่ CUDA ด้วย

การเปิดเช็กพอยต์กลางเป็นเรื่องที่หายากกว่าที่คิด — MiniCPM5-2B-Base (พรีเทรนล้วน), -Midtrain, -SFT (ก่อน RL) และตัวปล่อยจริงถูกวางไว้แยกกันทั้งหมด ใครอยากทำ RL ของตัวเองบนฐานที่ยังไม่ถูก alignment ทับ ก็หยิบ -SFT ไปได้เลยโดยไม่ต้องเดา

สูตรเทรน: RL เป็นครู 16 ตัว แล้วกลั่นกลับเป็นตัวเดียว

ส่วนที่ทีมเขียนไว้ชัดที่สุดคือขั้นตอน post-training สามท่อน — SFT → RL → OPD

SFT ใช้ข้อมูล “deep-thinking” 400 พันล้านโทเคน (ปล่อยเป็น UltraData-SFT-2605 และ UltraData-SFT-Agent-2609) จากนั้นเทรน RL teacher แยกตามโดเมน — คณิตศาสตร์ โค้ด งานเอเจนต์ การเขียน — ด้วยอัลกอริทึมแบบมี critic ตาม JustRL II แล้วจึงใช้ On-Policy Distillation (OPD) กลั่นครูทั้งหมดกลับเข้าโมเดลเดียว

กลไก OPD ที่เขียนไว้: รวมความสามารถของ โมเดลผู้เชี่ยวชาญ 16 ตัว (ในนั้นเป็นสายเอเจนต์ 5 ตัว) โดยที่ทุกตำแหน่งของคำตอบ จะคำนวณ reverse KL divergence บน vocab เต็ม ระหว่าง logits ของนักเรียนกับครู แล้วใช้ค่านั้นเป็น advantage แทน advantage แบบตรวจคำตอบถูก/ผิด และเพราะ OPD ใช้ prompt ชุดเดิมที่เทรนครูแต่ละตัวมาเป็นข้อมูลกลั่น จึงไม่ต้องสร้างคลังใหม่เพิ่ม

ผลที่ทีมรายงาน: RL + OPD ดันความสามารถด้านการให้เหตุผลและงานทั่วไปขึ้นเฉลี่ย +10.96 จุด และงานเอเจนต์ +6.96 จุด — ซึ่งอธิบายได้ว่าทำไมช่องว่างระหว่าง -SFT กับตัวปล่อยจริงถึงกว้าง และทำไมทีมถึงกล้าปล่อย -SFT ให้ดูด้วย

ตัวเลข 34 เบนช์มาร์ก และบรรทัดที่พาดหัวไม่ได้พูด

ทีมเทียบกับกลุ่ม 2B (LFM2.5-2.6B, Qwen3.5-2B, Gemma-4-E2B-it) และยกกลุ่มใหญ่กว่ามาอ้างอิง (Qwen3.5-4B, granite-4.2-3B, Nemotron-3-Nano-4B, Gemma-4-E4B-it, LFM2.5-8B-A1B) ค่าเฉลี่ย 34 เบนช์มาร์ก:

โมเดล	ขนาด	ค่าเฉลี่ย
MiniCPM5-2B	2.52B	53.9
Qwen3.5-4B	4B	51.1
granite-4.2-3B	3B	42.7
LFM2.5-2.6B	2.6B	33.2
Nemotron-3-Nano-4B	4B	32.6
Gemma-4-E4B-it	4B	31.2
LFM2.5-8B-A1B	8B (A1B)	28.4
Qwen3.5-2B	2B	28.0
Gemma-4-E2B-it	2B	24.6

ช่องที่ชนะขาดคือฝั่งที่โมเดลจิ๋วปกติทำไม่ได้เลย — NoLiMa 68.1 เทียบ Qwen3.5-4B ที่ 43.5 และเทียบตัวอื่นในกลุ่ม 2B ที่ได้ 0.7–17.1, GAIA Text-103 88.7 เทียบ 78.6, BrowseComp-ZH 43.5 เทียบ 39.6, τ²-Bench Telecom 97.1 เทียบ 92.1, GPQA-Diamond 70.2 เทียบตัว 2B อื่นที่ 43.3–55.8 และ SWE-bench Verified 46.4 ขณะที่เพื่อนร่วมรุ่น 2B ทั้งหมดอยู่ที่ 2.0–6.0

แต่ตารางเดียวกันมีบรรทัดที่พาดหัว “2B-class SOTA” ไม่ได้พูดถึง และเป็นบรรทัดที่สำคัญสำหรับคนจะเอาไปใช้จริง:

เบนช์มาร์ก	MiniCPM5-2B	ตัวที่ชนะมัน
Terminal-Bench v2.1	8.6	Qwen3.5-4B 25.8 / granite-4.2-3B 13.9
SWE-bench Pro	14.4	Qwen3.5-4B 28.2
MMLU-Pro	70.8	Qwen3.5-4B 78.0
SuperGPQA	40.8	Qwen3.5-4B 52.8
LongBenchPro	44.8	Qwen3.5-4B 58.4 / Gemma-4-E4B-it 53.5
MATH-500	94.6	Qwen3.5-4B 99.0 / granite-4.2-3B 97.0
IFBench	66.3	granite-4.2-3B 73.0
IFEval	86.7	granite-4.2-3B 93.7 / LFM2.5-2.6B 93.4

รูปแบบชัดมาก: MiniCPM5-2B แข็งที่งาน ตอบเป็นคำตอบเดียวแล้วตรวจได้ (คณิต โค้ดแบบ competitive, ค้นข้อมูล, เรียกทูลชุดเดียว) แต่พออยู่ในลูปยาวที่ต้องคุมสถานะเทอร์มินัลข้ามหลายสิบขั้น (Terminal-Bench, SWE-bench Pro) มันร่วงลงไปต่ำกว่า Qwen3.5-4B เกินครึ่ง และแพ้โมเดล 2–3B ด้วยกันเองในเรื่องพื้นฐานที่สุดอย่างการทำตามคำสั่ง (IFEval) การจะเอาไปเป็น coding agent จริงจึงต่างจากการเอาไปเป็นตัวสรุป/ตัวเรียกทูลบนเครื่องอย่างสิ้นเชิง

เชิงอรรถของตารางเองก็ควรอ่าน: คะแนนที่ติดเครื่องหมาย † มาจากการเผยแพร่ของ Artificial Analysis ส่วนที่เหลือทีมรันเองภายในทั้งหมด ซึ่งหมายความว่าในแถวเดียวกัน บางช่องเป็นตัวเลขบุคคลที่สาม บางช่องเป็นตัวเลขที่ผู้ประกาศรันเอง — ไม่ใช่เรื่องผิด แต่เป็นเหตุผลที่ควรรอ Artificial Analysis หรือ LMArena ลงคะแนน MiniCPM5-2B แบบครบก่อนจะเชื่อค่าเฉลี่ย 53.9 เป็นตัวเลขกลาง อีกจุดคือ baseline ฝั่ง Qwen ที่ยกมาเทียบเป็นรุ่น 3.5 ซึ่งออกเมื่อ ก.พ. 2026 — ไม่ใช่ความผิดของ OpenBMB เพราะ Qwen3.8 ยังไม่มีรุ่นเล็กระดับ 2–4B ให้เทียบ แต่ต้องรู้ไว้ว่านั่นคือ baseline อายุหกเดือน

Agent Skill 17 ตัวที่แถมมากับน้ำหนัก

รายละเอียดที่ผมคิดว่าน่าสนใจที่สุดในรีลีสนี้อยู่ในรีโป GitHub ไม่ใช่บน Hugging Face — ไดเรกทอรี skills/ มี 17 skill ในรูปแบบ Agent Skill มาตรฐาน (frontmatter name + description แล้วตามด้วยขั้นตอน) แบ่งเป็นสายกาง 9 ตัว (transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX, ArcLight, vLLM Ascend) และสายฟายน์จูน 6 ตัว (TRL, LLaMA-Factory, ms-swift, unsloth, XTuner, GGUF LoRA) บวก skill ร่มอีก 2 ตัว

ตัวอย่างจาก minicpm5-deploy-ollama/SKILL.md — description เขียนไว้ว่า “Use when the user wants ‘ollama run’, ‘ollama pull’, a Modelfile-driven setup, or one-line laptop deployment” พร้อมตารางตัวแปรที่ระบุขนาดควอนต์แต่ละระดับและค่าดีฟอลต์ นี่คือเอกสารที่เขียนให้ เอเจนต์อ่าน ไม่ใช่ให้คนอ่าน — วางไว้ใน .claude/skills/ หรือชี้ Codex ไปที่มัน แล้วสั่งว่า “กาง MiniCPM5-2B บนแล็ปท็อป” ก็จบ

ทีมยังแนะนำ SGLang เป็นแบ็กเอนด์สำหรับ tool calling โดยเฉพาะ ซึ่งสอดคล้องกับรีลีส SGLang 0.5.19 ที่เราเขียนถึงไปเมื่อ 5 ก.ย.

จุดที่ยังขาด: ไม่มีรายงานเทคนิคของ MiniCPM5 — bibtex ในการ์ดยังชี้ไปที่เปเปอร์ MiniCPM4 (arXiv:2506.07900) ปี 2025 อยู่ ดังนั้นรายละเอียด OPD และ RL ทั้งหมดที่เล่ามาข้างบนมีที่มาเดียวคือย่อหน้าในโมเดลการ์ดกับลิงก์ Notion ของ JustRL II ยังไม่มีเอกสารที่ผ่าน peer review หรือแม้แต่ preprint ให้ตรวจ

มุมมอง AI Curator

สิ่งที่ทำให้รีลีสนี้ต่างจากโมเดลจิ๋วทั่วไปไม่ใช่คะแนน แต่คือ ความสมบูรณ์ของสิ่งที่ปล่อย — Apache-2.0 จริง ไม่มีข้อพิเศษแบบที่เราเจอใน GLM-5.3, เช็กพอยต์ครบทั้งบันไดตั้งแต่ Base ถึงตัวปล่อย, คลังข้อมูลเทรนแปดชุด และควอนต์ทุกฟอร์แมตที่คนใช้จริงในวันเดียวกัน ทีมที่อยากทำ RL ของตัวเองบนโมเดล 2B ไม่มีทางเลือกเยอะขนาดนี้มาก่อน

สำหรับไทย ข้อสังเกตแรกและสำคัญที่สุดต้องพูดตรง ๆ: โมเดลการ์ดระบุภาษาไว้แค่อังกฤษกับจีน ไม่มีคำว่า multilingual ไม่มีตารางภาษา และไม่มีเบนช์มาร์กไทยสักตัว ประสบการณ์กับโมเดลจีนขนาดเล็กที่ผ่านมาบอกว่าภาษาไทยมักจะ “พอไหว” ในงานสรุปแต่พังในงานที่ต้องผลิตข้อความไทยยาว ๆ และ tokenizer 130k ที่เทรนบนอังกฤษ-จีนเป็นหลักมักกินโทเคนไทยเปลืองกว่าที่ควร ใครจะใช้ ต้องทดสอบภาษาไทยเองก่อนเสมอ — และถ้าโจทย์คือภาษาไทยล้วน Typhoon หรือ OpenThaiGPT ยังเป็นจุดตั้งต้นที่ตรงกว่า

แต่มีกรณีใช้งานหนึ่งที่ผมคิดว่า MiniCPM5-2B เข้าล็อกไทยพอดี คือ ตัวเรียกทูลบนเครื่อง ไม่ใช่ตัวเขียนภาษาไทย คะแนน τ²-Bench Telecom 97.1 กับ BFCL v4 66.6 ที่ 1.56 GB แปลว่ามันเป็นชั้น “แปลงคำสั่งเป็นการเรียก API” ที่รันบนแล็ปท็อปพนักงานหรือกล่องในสาขาได้ โดยข้อมูลไม่ออกจากอาคาร — ซึ่งเป็นข้อกำหนดจริงของงานสายธนาคาร ประกัน และโรงพยาบาลไทยที่ติดเรื่อง PDPA และนโยบายห้ามส่งข้อมูลออกนอกประเทศ สถาปัตยกรรมที่สมเหตุสมผลคือให้โมเดลจิ๋วตัวนี้ทำหน้าที่ routing/tool-calling บนเครื่อง แล้วส่งเฉพาะงานที่ต้องใช้ภาษาไทยเชิงลึกขึ้นคลาวด์ ไม่ใช่ยกทั้งงานให้มัน

และคำเตือนสุดท้ายจากตารางเอง: อย่าอ่าน “SWE-bench Verified 46.4” แล้วสรุปว่าได้ coding agent ฟรี ตัวเลข Terminal-Bench v2.1 ที่ 8.6 อยู่ในเอกสารเดียวกัน และมันคือเบนช์มาร์กที่ใกล้เคียงกับ “ปล่อยเอเจนต์ทำงานในเทอร์มินัลจริง” มากที่สุด ระยะห่างระหว่างสองตัวเลขนี้คือระยะห่างระหว่าง “แก้บั๊กที่มีคนเตรียมบริบทให้แล้ว” กับ “ทำงานเองตั้งแต่ต้นจนจบ” — และในโมเดล 2.5B ระยะนั้นยังกว้างมาก

แหล่งข่าว

• openbmb/MiniCPM5-2B บน Hugging Face (อัปโหลด 6 ก.ย. 2026)
• openbmb/MiniCPM5-2B-GGUF — Q4_K_M 1.56 GB สำหรับ llama.cpp / Ollama / LM Studio
• OpenBMB/MiniCPM บน GitHub — ไดเรกทอรี Agent Skill 17 ตัว
• OpenBMB Releases MiniCPM5-2B — MarkTechPost, 7 ก.ย. 2026