模型介绍

今天，面壁智能正式发布端侧MiniCPM 4.0 模型，实现了端侧可落地的系统级软硬件稀疏化的高效创新。

面壁推出的MiniCPM 4.0系列LLM模型拥有 8B 、0.5B 两种参数规模，针对单一架构难以兼顾长、短文本不同场景的技术难题，MiniCPM 4.0-8B 采用「高效双频换挡」机制，能够根据任务特征自动切换注意力模式：在处理高难度的长文本、深度思考任务时，启用稀疏注意力以降低计算复杂度，在短文本场景下切换至稠密注意力以确保精度，实现了长、短文本切换的高效响应。

本文将介绍如何利用openvino-genai工具在本地部署MiniCPM 4.0系列模型。

内容列表

1. 环境准备
2. 模型下载和转换
3. 模型部署

第一步，环境准备

基于以下命令可以完成模型部署任务在Python上的环境安装。

 python -m venv py_venv 

./py_venv/Scripts/activate.bat 

pip install --pre -U openvino-genai --extra-index-url https://storage.openvinotoolkit.org/simple/wheels/nightly 

pip install nncf

pip install git+https://github.com/huggingface/optimum-intel.git 

• 硬件环境:
  • Intel® Core™ Ultra 7 258V
    • iGPU Driver：32.0.101.6790
    • NPU Driver：32.0.100.4023
    • Memory: 32GB
  • Intel® Core™ Ultra 9 285H
    • iGPU Driver：32.0.101.6790
    • NPU Driver：32.0.100.4023
    • Memory: 32GB

• 操作系统：
  • Windows 11 24H2 (26100.4061)

• OpenVINO版本:
  • openvino 2025.2.0-dev20250520
  • openvino-genai 2025.2.0.0-dev20250520
  • openvino-tokenizers 2025.2.0.0-dev20250520

第二步，模型下载和转换

在部署模型之前，我们首先需要将原始的PyTorch模型转换为OpenVINOTM的IR静态图格式，并对其进行压缩，以实现更轻量化的部署和最佳的性能表现。通过Optimum提供的命令行工具optimum-cli，我们可以一键完成模型的格式转换和权重量化任务：

开发者可以根据模型的输出结果，调整其中的量化参数，包括：

• --model： 为模型在HuggingFace上的model id，这里我们也提前下载原始模型，并将model id替换为原始模型的本地路径，针对国内开发者，推荐使用ModelScope魔搭社区作为原始模型的下载渠道，具体加载方式可以参考ModelScope官方指南：https://www.modelscope.cn/docs/models/download

• --weight-format：量化精度，可以选择fp32,fp16,int8,int4,int4_sym_g128,int4_asym_g128,int4_sym_g64,int4_asym_g64
• --group-size：权重里共享量化参数的通道数量
• --ratio：int4/int8权重比例，默认为1.0，0.6表示60%的权重以int4表，40%以int8表示
• --sym：是否开启对称量化

此外我们建议使用以下参数对运行在NPU上的模型进行量化，以达到性能和精度的平衡。

optimum-cli export openvino --model <model id> --task text-generation-with-past --weight-format int4 --sym --group-size -1 --backup-precision int8_sym --trust-remote-code <model_dir > 

第三步，模型部署

目前我们推荐是用openvino-genai来部署大语言以及生成式AI任务，它同时支持Python和C++两种编程语言，安装容量不到200MB，支持流式输出以及多种采样策略。

• GenAI API部署示例

import argparse

import openvino_genai



def streamer(subword):

    print(subword, end='', flush=True)

    # Return flag corresponds whether generation should be stopped.

    return openvino_genai.StreamingStatus.RUNNING



def main():

    parser = argparse.ArgumentParser()

    parser.add_argument('model_dir')

    args = parser.parse_args()



    device = 'CPU'  # GPU can be used as well

    pipe = openvino_genai.LLMPipeline(args.model_dir, device)



    config = openvino_genai.GenerationConfig()

    config.max_new_tokens = 100



    pipe.start_chat()

    while True:

        try:

            prompt = input('question:\n')

        except EOFError:

            break

        pipe.generate(prompt, config, streamer)

        print('\n----------')

    pipe.finish_chat()



if '__main__' == __name__:

    main()

openvino-genai提供了chat模式的构建方法，通过声明pipe.start_chat()以及pipe.finish_chat()，多轮聊天中的历史数据将被以kvcache的形态，在内存中进行管理，从而提升运行效率。

chat模式输出结果示例：

总结

可以看到，利用openvino-genai，我们可以非常轻松地将转换后的MiniCPM 4.0模型部署在Intel的硬件平台上，从而进一步在本地构建起各类基于LLM的服务和应用。

参考资料

• openvino-genai 示例：https://github.com/openvinotoolkit/openvino.genai/blob/master/samples/python/text_generation/chat_sample.py

• llm-chatbot notebook示例: openvino_notebooks/notebooks/llm-chatbot at latest · openvinotoolkit/openvino_notebooks · GitHub

• openvino-genai仓库： GitHub - openvinotoolkit/openvino.genai: Run Generative AI models with simple C++/Python API and using OpenVINO Runtime
• 魔搭社区OpenVINO™专区：https://www.modelscope.cn/organization/OpenVINO
• OpenVINO™ Model Hub：https://www.intel.com/content/www/us/en/developer/tools/openvino-toolkit/model-hub.html