
MiniCPM5-15B-A2.5B: הועבר על ידי ארבע סביבות ריצה, אך לא ניתן להורדה על ידי אף אחד
- OrcaחדשOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 לכל 1M טוקנים · 189 tok/s
- tencentחדשTencent: Hy4 Flash2026-11-16$0.02 / $0.07 לכל 1M טוקנים · 204 tok/s
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 87 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 97 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 לכל 1M טוקנים · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 לכל 1M טוקנים · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 93 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 לכל 1M טוקנים · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
ב-2026-11-16 הופיעה ב-llama.cpp בקשת משיכה שכותרתה "xcy/models: add MiniCPM5 MoE inference support". מדובר בעבודה קפדנית — רשומת ארכיטקטורה חדשה, נתיב המרה, בדיקות — והיא כללה שורה אחת בסעיף האימות שלה שמתחזק עצר עליה: המחבר הרץ אותה מול "pre-existing MiniCPM5-15B-A2.5B GGUFs" על H800. CISC שאל את השאלה המתבקשת.עדיין לא פומבי למיטב הבנתי? tc-mb, שפרופיל ה-GitHub שלו מפרט חברות בפרויקטים MiniCPM-V ו-MiniCPM-o, ענה במילה אחת: "ok". בקשת המשיכה נסגרה ללא מיזוג כעבור יומיים, ולמודל שאליו שייכים ה-GGUFs האלה — MiniCPM5-15B-A2.5B, רשומת ה-mixture-of-experts הדלילה בשורת MiniCPM5 של OpenBMB — עדיין אין מאגר, אין כרטיס מודל, אין קובץ רישיון ואין שום הכרזה שמצאנו בשום מקום.
אז זהו טקסט מסוג "מה שאנחנו יודעים עד כה", וצורת הראיות חשובה כאן יותר מהרגיל. אין דף מוצר לקרוא ואין בנצ'מרק של ספק להתווכח איתו. מה שקיים הוא סט של טלאים למנוע מארבעה סטאקים נפרדים של אינפרנס, שנכתבו בידי אנשים שה-checkpoint היה מולם, בתוספת יומני הבדיקות שלהם. זה מספיק כדי לתאר את הארכיטקטורה של MiniCPM5 MoE בדיוק סביר, ולומר משהו כן על מידת הבשלות של התמיכה. זה לא מספיק כדי לומר לך מה הציונים של המודל, כמה הוא עולה, או מתי תוכל להריץ אותו.
מה שהשם רשאי לספר לך
שם הצ'קפוינט הוא גיליון המפרט היחיד שמישהו מחוץ ל-ModelBest פרסם. MiniCPM5-15B-A2.5B נקרא כ-15B פרמטרים בסך הכול עם 2.5B פעילים לכל טוקן — מוסכמת ה"סך הכול ופעיל" שכל MoE דליל בדרגת גודל זו מאז Mixtral השתמש בה. שום דבר באף טלאי לא סותר אותה, והערות הבדיקה של הפורט של SGLang עצמו מתייחסות ל"תצורת הצ'קפוינט המקורית של 15B" ככזו שנטענת ללא שינוי, וזה עקבי.
כל מה שמעבר לכך הוא בגדר ניחוש, וכדאי להיות ישירים לגבי הסיבה. תיקון ה-SGLang מוסיף MiniCPM5Config, מחלקה שברירות המחדל שלה מציינות 32 שכבות, 4,096 ממד מוסתר, 32 ראשים, 64 מומחים מנותבים, 2 מומחים משותפים ו-FFN של מומחה ברוחב 1,407. אלו ברירות מחדל של מחלקה בירושה מתבנית GLM-4, ולא הערכים של ה-checkpoint — אותו קובץ מגדיר כברירת מחדל אוצר מילים של 32,000 אסימונים, שאף מודל הקרוב לחזית מ-2026 לא נשלח איתו. אל תתייחסו אליהם כמפרט. המספר היחיד שנראה כאילו הוא עשוי להיות אמיתי הוא מקדם הסקיילינג המנותב 3.66, שמופיע במבחן הארכיטקטורה של llama.cpp ובקובץ ה-fixture של מבחן ההמרה; fixture הוא עדיין fixture, אז התייחסו ל-3.66 כ"מספר שסביבו נכתבו המבחנים" ולא כקבוע מאומת.
ארכיטקטורה, כפי שנקראת מתוך ארבעה טלאים
ארבעה פורטים עצמאיים מתכנסים לאותו תיאור, וזה הדבר הכי מרגיע בהדלפה הזו. הטלאי של SGLang הוא המפורש ביותר: המודל "עוקב אחרי GLM-4.5 MoE, עם שלושה הבדלים" — קשב עם שער, הטמעות רוטציוניות מלאות ללא נרמול q/k, ו-router שמחושב ב-dtype של המודל עצמו ולא ב-upcast.
• תשומת לב עם שער — הקרנת ה-query מפיקה שער סיגמואידי לכל ראש לצד ה-query, כשהם משולבים לסירוגין בתוך השורות של כל ראש. ההמרה של llama.cpp צריכה להפריד ביניהם טנזור אחר טנזור, וזו הסיבה ששתי הגרסאות מציינות זאת במפורש.
• שלב Dense מקדים, ואחריו מומחים —first_k_dense_replace השכבות הראשונות הן FFNs רגילות; רק השכבות שלאחר מכן מנתבות. הערות הטלאי של ה-fork של tc-mb מציינות שאף אחת מהארכיטקטורות הקיימות — לא qwen35moe ולא minicpm — אינה מדמה את הצורה הזו, ולכן MiniCPM5 MoE נזקק לרשומת ארכיטקטורה משל עצמו ולא לדגל על ארכיטקטורה קיימת.
• מומחים מנותבים וגם משותפים — שער סיגמואידי, משקלי top-k מנורמלים, וענף מומחה משותף לצד המנותבים. llama.cpp קורא הטיית תיקון FP32 של הנתב (e_score_correction_bias) בכל שכבת MoE, אותה הטיית בדיוק שנתבים בסגנון DeepSeek משתמשים בה כדי לשמור על עומס מומחים מאוזן.
• סיבוב מלא, ללא נורמליזציית q/k — RoPE פשוט לאורך ממד הראש, כאשר ההמרה משמרת את ממד הראש במפורש במקום לגזור אותו מגודל מוסתר חלקי מספר הראשים.

DSpark הוא החצי השני של הסיפור, והוא הסיבה שההדלפה הזו מעניינת ולא רק מסודרת. DSpark הוא פענוח ספקולטיבי עם מודל טיוטה מאומן — אותו אלגוריתם ש-OpenBMB כבר השיקה עבור MiniCPM5-2B ו-MiniCPM-V 4.7 — ושתי הטלאות של SGLang ו-llama.cpp מוסיפות ל-DSpark את MiniCPM5 MoE כיעד. צ'קפוינט טיוטה נפרד בשם MiniCPM5-15B-A2.5B-DSpark מוזכר בדוגמה שבתיעוד של llama.cpp, מה שאומר שהטיוטה קיימת גם היא, בכל מאגר פרטי שבו נמצא היעד.
ארבעה מנועים, צ'קפוינט אחד שטרם שוחרר
לוח הזמנים הוא מה שהופך את זה לראוי לכתוב עליו. פורטים לא נוהגים להקדים מהדורה במידה כזו על פני כל כך הרבה סטאקים:
• 2026-09-17 — טלאים של Megatron-LM על פורק MUSA מאפשרים טיפול בגורם הקיבולת של MoE וניתוב ללא נשירה כברירת מחדל עבור "minicpm5". בצד האימון, וזו העקבה המוקדמת ביותר שמצאנו.
• 2026-10-14 — InfiniLM של InfiniTensor מפרסמת טלאי המאפשר הרצת MiniCPM5 MoE על ה-backend של Denglin QY עם FlashAttention וקרנלי MoE/RoPE להקשר ארוך; עדכון המשך ב-2026-11-12 מוסיף בטיחות ללכידת CUDA-graph ומסלול פענוח bf16.
• 2026-11-13 — הפורק של tc-mb ל-llama.cpp-omni מוסיף את ארכיטקטורת MiniCPM5 MoE, וטלאי שני באותו יום מחבר אזורי מומחים אל המכמת. קטע האימות מדווח בירת צרפת היא משלים לפריז. ו־17×23 מחזיר 391.
• 2026-11-16 — בקשת ה-pull במעלה הזרם של llama.cpp. נסגרה ב-2026-11-18, ללא מיזוג, כאשר נתיב ההמרה הוצא מההיקף ונבחן מחדש שלושה ימים לאחר מכן ב-fork.
• 2026-11-19 — SGLang פותח פורט ב-09:39, סוגר אותו, ופותח אותו מחדש ב-10:19 תחת ענף ששמו שונה. באותו בוקר, מהנדס אינטל פותח טלאי של optimum-intel שבלוק הקוד הראשון שלו הוא פקודת ייצוא שמציינת את openbmb/MiniCPM5-15B-A2.5B כקלט שלה.

האחרון הוא הדבר הקרוב ביותר להוכחה חותכת. הטלאי של optimum-intel אינו מתאר מודל היפותטי — הוא מריץ optimum-cli export openvino -m openbmb/MiniCPM5-15B-A2.5B --weight-format int4 ומדווח על דיוק לעומת המקורי. מי שכתב אותו החזיק במשקלים. נתיב ה-Hub שהוא מציין אינו מחזיר דבר לבקשה אנונימית, וה-README של MiniCPM מבית OpenBMB עדיין מפרט את 2026-09-07 ואת ה-2B כגרסה האחרונה, ללא שום רשומת MoE בטבלת המודלים שלו.
מה שלוגי הבדיקה למעשה מראים
זה החלק שצריך לקרוא לאט, כי המספרים בטלאים האלה הם בדיקות הנדסיות, לא מדדי ביצועים, ושניים מהם הם כשלים.
ההרצה של llama.cpp היא המקיפה ביותר. משקולות BF16, Q8_0 ו-Q4_K_M כולן יצרו וקיבלו אסימוני טיוטה של DSpark על H800 כאשר הטיוטה ב---spec-draft-n-max 2. שמונה דגימות טוקנייזר תאמו בדיוק את הטוקנייזר של Hugging Face. ה-NMSE של CPU מול CUDA בבדיקת הארכיטקטורה הסינתטית היה 1.00e-06. ואז ההסתייגות, במילותיו של המחבר עצמו: פענוח חמדני רגיל ופענוח DSpark "הראו הבדלים ברמת האסימון", הסיבה "לא אופיינה במלואה", ושקילות הפלט "אינה מבוססת". אין הרצת התאמת לוגיטים מול צ'ק פוינט המקורי, אין הערכת איכות ואין נתון ביצועים. המחבר מציין בפשטות שלא מועלית טענת שיפור מהירות.
הריצה של SGLang מאלפת יותר כי היא מבודדת משתנה. עם attention מסוג Triton, DSpark ביצע 93 צעדי אימות על פני ארבעה דורות של 64 טוקנים וסטה מפענוח רגיל בכל פרומפט. עם attention מסוג FA3, אותו צ'קפוינט 15B ואותה טיוטה הניבו מזהי טוקנים תואמים בפענוח חמדני בכל ארבעתם. אי-ההתאמה ב-Triton עדיין פתוחה בטלאי כפי שהוא מנוסח. יש לקרוא את זה כפי שזה: הבדל בנתיב קרנל שמישהו מצא ועדיין לא הסביר, לא הצהרה על המודל.
מספרי OpenVINO הם האות האיכותי הכמותי היחיד בכל הסט, והם צנועים. בהשוואה למודל המקורי ב-FP32 על פני 26 פרומפטים ו-128 טוקנים חדשים, ציון דמיון הטקסט של WWB היה 0.9934 עבור bf16 על CPU, 0.9455 עבור int8 ו-0.8710 עבור int4 תחת backend של GenAI SDPA; על GPU מסוג B70, 0.9498 עבור int8 ו-0.8646 עבור int4. המרת int4 שמגיעה ל-0.87 היא תוצאת נאמנות המרה — היא אומרת שהגרף המקוונט סוטה מן הייחוס, ולא שהייחוס טוב. איש לא פרסם ציון benchmark עבור MiniCPM5-15B-A2.5B, ועד שמישהו יעשה זאת, אין בסיס לקרוא לו חזק או חלש.

היכן זה ימוקם אם זה יישלח
קו ה-MiniCPM5 של OpenBMB הוא, נכון לעכשיו, טיעון בעד צפיפות. דגם ה-1B יצא ב-2026-05-19 וה-2B ב-2026-09-07, שניהם צפופים, שניהם Apache-2.0, ושניהם נבנו לפריסה על-מכשיר — ה-2B הוא LlamaForCausalLM פשוט ללא קרנלים מותאמים אישית, וזו בדיוק הסיבה שהוא הועבר ל-llama.cpp, MLX, ONNX ועוד כחצי תריסר שרשראות כלים ל-NPU בתוך שבועות. אח במשפחה עם 15B פרמטרים בסך הכול ו-2.5B פעילים יהיה ה-MiniCPM5 הראשון שאינו מודל קצה: אותו תקציב פעיל כמו ה-2B, בערך פי שישה משקלות מאוחסנים, ושכבת ניתוב שחייבת להיות מוגשת היטב כדי להצדיק את הזיכרון שלה.
המסגור הזה גם מסביר את הצורה המוזרה של ההדלפה הזו. אם MiniCPM5 MoE מכוון להגשה ולא לטלפונים, אז הפורטים של המנוע אינם תוספת נחמדה שמשוחררת אחרי ההשקה — הם תנאי מוקדם להשקה, ומישהו עושה אותם מוקדם. העובדה שאותו חשבון GitHub פתח את שני הפורטים, של llama.cpp ושל SGLang, שחבר בפרויקט MiniCPM משלב את טלאי הפורק, ושכבר קיים צ'קפוינט טיוטה עבור DSpark — כל אלה מצביעים לאותו כיוון: זהו מודל שמוכן לקראת שחרור על ידי אנשים שיש להם גישה אליו, ולא שמועה שנאספה מיומני שינויים.
מה היה משנה את התמונה הזו?
שלושה דברים, לפי המידה שבה הם ייישבו את העניין.
ראשית, מאגר. עמוד Hub או ModelScope עם קונפיגורציה, רישיון וכרטיס יהפוך את רוב הפסקה שלעיל מהסקה לעובדה, ויספק מיד משהו שכנגדו אפשר לבדוק את ברירות המחדל של הקונפיגורציה שהזהרתי לגביהן.
שנית, בנצ'מרק ממקור ראשוני. כרטיס ה-MiniCPM5-2B הציג ממוצע סוויטה של 53.9 ותאים לכל משימה עבור LiveCodeBench, AIME ו-SWE-bench; מודל 15B-A2.5B שאין לו טבלה מקבילה הוא מודל שכל הצעת הערך שלו אינה נמדדת. רשומה ב-Artificial Analysis תספיק, מכיוון שהיא בלתי תלויה בספק.
שלישית, פורט ממוזג. כל טלאי שמתואר כאן הוא או סגור, או טיוטה, או יושב על פורק פרטי. תמיכה שקיימת רק בבקשת משיכה שלא מוזגה היא תמיכה שאי אפשר להתקין, וכביטוי לפער בין Triton ל-FA3, הנכונות בארכיטקטורה הזו עדיין נקבעת קרנל אחר קרנל.
ההשלכה המעשית עבור הקורא היום היא פשוטה: אין מה להוריד, אין למי להתקשר, אין מה להעביר. מה שמודל כזה משנה כשהוא סוף סוף נוחת הוא ההחלטה היכן ירוץ עומס העבודה, וההחלטה הזו מתקבלת בדרך כלל תחת לחץ זמן ועם ראיות חלקיות — וזה בדיוק המצב שלשמו קיימת שכבת ניתוב. OrcaRouter מציבה למעלה מ-200 מודלים מתארחים מאחורי API אחד לפי מחיר המחירון של הספק ללא תוספת, כך שההשוואה שתרצו להריץ — הגרסה הזו מול מה שאתם קוראים לו היום — אינה עולה דבר להעמיד ברגע שמישהו מארח אותה; מעבר אוטומטי לגיבוי פירושו שמודל בשבועו הראשון אינו צריך להחזיק נתיב ייצור בעצמו. שום דבר מזה אינו מחייב ש-MiniCPM5-15B-A2.5B יהיה זמין, ואיננו מספקים אותו — זוהי רשת הביטחון סביב המודלים שאתם כבר תלויים בהם, בזמן שמודל שטרם שוחרר מוכיח את עצמו.
עד אז, הסיכום הכנה הוא זה ששרשור ה-llama.cpp נתן לנו: קובצי ה-GGUF קיימים, והם אינם פומביים. ארבע סביבות ריצה כבר כתבו את הקוד שיטען אותם. עקבו אחרי עמוד הארגון של OpenBMB ושתי בקשות המשיכה הפתוחות, לפי הסדר הזה — הופעתו של מאגר היא האות, ופורט ממוזג הוא האישור שהארכיטקטורה היא כפי שהטלאים האלה אומרים.
