
MiniCPM5-15B-A2.5B: portado por quatro runtimes, baixável por ninguém
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 189 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 204 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 93 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 168 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
Em 2026-11-16, surgiu um pull request no llama.cpp intitulado "xcy/models: add MiniCPM5 MoE inference support". É um trabalho cuidadoso — uma nova entrada de arquitetura, um caminho de conversão, testes — e trazia uma linha na sua seção de validação na qual um mantenedor parou: o autor o havia executado com "GGUFs pré-existentes do MiniCPM5-15B-A2.5B" em uma H800. CISC fez a pergunta óbvia.Ainda não é público, pelo que sei?tc-mb, cujo perfil no GitHub lista participação nos projetos MiniCPM-V e MiniCPM-o, respondeu em uma palavra: "ok". O pull request foi fechado sem ser mesclado dois dias depois, e o modelo ao qual esses GGUFs pertencem — MiniCPM5-15B-A2.5B, a entrada esparsa de mistura de especialistas da linha MiniCPM5 da OpenBMB — ainda não tem repositório, model card, arquivo de licença nem anúncio que pudéssemos encontrar em lugar algum.
Então, este é um texto do tipo “o que sabemos até agora”, e o formato das evidências importa mais do que o normal. Não há página de produto para ler nem benchmark de fornecedor para contestar. O que existe é um conjunto de patches de engine de quatro stacks de inferência separadas, escritos por pessoas que tinham o checkpoint em mãos, além dos logs de teste delas. Isso basta para descrever a arquitetura do MiniCPM5 MoE com bastante precisão e para dizer algo honesto sobre o quão maduro é o suporte. Não basta para dizer quais são as pontuações do modelo, quanto ele custa ou quando será possível executá-lo.
O que o nome tem permissão para lhe dizer
O nome do checkpoint é a única ficha técnica que alguém fora da ModelBest publicou. MiniCPM5-15B-A2.5B lê-se como 15B de parâmetros totais com 2,5B ativos por token — a convenção de total e ativos que todo MoE esparso nessa faixa de tamanho usa desde o Mixtral. Nada em qualquer patch contradiz isso, e as próprias notas de teste da porta do SGLang referem-se a "a configuração original do checkpoint de 15B" sendo resolvida sem modificação, o que é consistente.
Tudo o que vem depois disso é conjectura, e vale a pena ser direto sobre o motivo. O patch do SGLang adiciona a seguinte classe:MiniCPM5Config, cujos valores padrão indicam 32 camadas, 4.096 de dimensão oculta, 32 cabeças, 64 especialistas roteados, 2 especialistas compartilhados e uma FFN de especialista com 1.407 de largura. Esses são valores padrão de classe herdados de um template GLM-4, não os valores do checkpoint — o mesmo arquivo tem como padrão um vocabulário de 32.000 tokens, com o qual nenhum modelo de 2026 próximo da fronteira foi lançado. Não os interprete como especificações. O único número que parece poder ser real é o fator de escala de roteamento de 3,66, que aparece no teste de arquitetura do llama.cpp e na fixture de teste de conversão; uma fixture ainda é uma fixture, então trate 3,66 como "o número em torno do qual os testes foram escritos", e não como uma constante confirmada.
Arquitetura, tal como se depreende de quatro patches
Quatro implementações independentes convergem para a mesma descrição, o que é o mais tranquilizador nesta fuga de informação. O patch do SGLang é o mais explícito: o modelo "segue o GLM-4.5 MoE, com três diferenças" — atenção com gating, embeddings rotativos completos sem normalização q/k e um router calculado no próprio dtype do modelo em vez de ser convertido para precisão superior.
Atenção com gate — a projeção de query emite um gate sigmoide por cabeça junto com a query, intercalado dentro das linhas de cada cabeça. A conversão para llama.cpp precisa separá-los tensor por tensor, e é por isso que ambas as implementações destacam isso.
• Trecho inicial denso, depois especialistas — as primeiras first_k_dense_replace camadas são FFNs comuns; somente as camadas seguintes fazem roteamento. As notas do patch do fork do tc-mb observam que nem a arquitetura qwen35moe existente nem a minicpm modelam esse formato, e é por isso que o MiniCPM5 MoE precisou de sua própria entrada de arquitetura em vez de um sinalizador em uma arquitetura existente.
• Especialistas roteados mais compartilhados — gating sigmoide, pesos top-k normalizados e um ramo de especialistas compartilhados ao lado dos roteados. O llama.cpp lê um viés de correção do roteador em FP32 (e_score_correction_bias) por camada MoE, o mesmo termo de viés que roteadores no estilo DeepSeek usam para manter o balanceamento de carga dos especialistas.
• Rotary completo, sem normalização q/k — um RoPE simples em toda a dimensão da cabeça, com a conversão preservando explicitamente a dimensão da cabeça em vez de derivá-la do tamanho oculto dividido pelo número de cabeças.

DSpark é a segunda metade da história, e é o motivo pelo qual este vazamento é interessante, e não meramente arrumado. DSpark é decodificação especulativa com um modelo draft treinado — o mesmo algoritmo que a OpenBMB já lançou para MiniCPM5-2B e MiniCPM-V 4.7 — e ambos os patches, do SGLang e do llama.cpp, adicionam o MiniCPM5 MoE como um DSpark alvo. Um checkpoint draft separado chamado MiniCPM5-15B-A2.5B-DSpark é referenciado no exemplo da documentação do llama.cpp, o que significa que o draft também existe, em qualquer armazenamento privado onde o alvo esteja.
Quatro motores, um checkpoint não lançado
A cronologia é o que torna isto digno de ser escrito. Normalmente, os ports não precedem um lançamento por tanto tempo assim em tantas stacks:
• 2026-09-17 — patches do Megatron-LM em um fork de MUSA habilitam o tratamento de fator de capacidade de MoE e o roteamento dropless como padrão para "minicpm5". Do lado do treinamento, e o traço mais antigo que encontramos.
• 2026-10-14 — O InfiniLM da InfiniTensor abre um patch que habilita o MiniCPM5 MoE no backend Denglin QY com FlashAttention e kernels MoE/RoPE de contexto longo; um acompanhamento em 2026-11-12 adiciona segurança na captura de grafos CUDA e um caminho de decodificação bf16.
• 2026-11-13 — o fork llama.cpp-omni do tc-mb adiciona a arquitetura MiniCPM5 MoE, e um segundo patch no mesmo dia integra regiões de especialistas ao quantizador. A seção de verificação relata que a capital da França é completada como Paris. e 17×23 retornando 391.
• 2026-11-16 — o pull request upstream do llama.cpp. Fechado em 2026-11-18, sem merge, com o caminho de conversão deixado fora do escopo e revisitado três dias depois no fork.
• 2026-11-19 — O SGLang abre uma porta às 09:39, fecha-a e reabre-a às 10:19 sob um branch renomeado. Na mesma manhã, um engenheiro da Intel abre um patch do optimum-intel cujo primeiro bloco de código é um comando export que nomeia openbmb/MiniCPM5-15B-A2.5B como sua entrada.

Esse último é a coisa mais próxima de uma prova definitiva. O patch do optimum-intel não descreve um modelo hipotético — ele executa optimum-cli export openvino -m openbmb/MiniCPM5-15B-A2.5B --weight-format int4 e reporta acurácia em relação ao original. Quem o escreveu tinha os pesos. O caminho do Hub que ele indica não retorna nada para uma solicitação anônima, e o próprio README do MiniCPM da OpenBMB ainda lista 2026-09-07 e o 2B como a versão mais recente, sem nenhuma entrada de MoE em qualquer lugar da sua tabela de modelos.
O que os registros de teste realmente mostram
Esta é a parte para ler devagar, porque os números nestes patches são verificações de engenharia, não benchmarks, e dois deles são falhas.
A execução do llama.cpp é a mais ampla. Os pesos BF16, Q8_0 e Q4_K_M produziram e aceitaram tokens de rascunho do DSpark em uma H800 com o rascunho em --spec-draft-n-max 2. Oito amostras do tokenizer corresponderam exatamente ao tokenizer da Hugging Face. O NMSE CPU versus CUDA no teste de arquitetura sintética foi 1.00e-06. E então a ressalva, nas palavras do próprio autor: a decodificação greedy comum e a DSpark "mostraram diferenças no nível dos tokens", a causa "não foi totalmente caracterizada", e a equivalência de saída "não está estabelecida". Não há execução de paridade de logits contra o checkpoint original, nem avaliação de qualidade, nem número de desempenho. O autor declara claramente que nenhuma alegação de aceleração é feita.
A execução do SGLang é mais informativa porque isola uma variável. Com atenção Triton, o DSpark executou 93 etapas de verificação ao longo de quatro gerações de 64 tokens e divergiu da decodificação comum em todos os prompts. Com atenção FA3, o mesmo checkpoint de 15B e o mesmo draft produziram IDs de token greedy coincidentes nos quatro. A discrepância do Triton ainda está em aberto no patch como está escrito. Leia isso como o que é: uma diferença de caminho de kernel que alguém encontrou e ainda não explicou, não uma afirmação sobre o modelo.
Os números do OpenVINO são o único sinal quantitativo de qualidade em todo o conjunto, e são modestos. Em comparação com o modelo original em FP32, em 26 prompts e 128 novos tokens, a pontuação de similaridade de texto do WWB foi de 0,9934 para bf16 em CPU, 0,9455 para int8 e 0,8710 para int4 no backend GenAI SDPA; em uma GPU B70, 0,9498 para int8 e 0,8646 para int4. Uma conversão int4 que atinge 0,87 é um resultado de fidelidade de conversão — indica que o grafo quantizado se afasta da referência, não que a referência seja boa. Ninguém publicou uma pontuação de benchmark para o MiniCPM5-15B-A2.5B e, até que alguém o faça, não há base para chamá-lo de forte ou fraco.

Onde ficaria se fosse lançado
A linha MiniCPM5 da OpenBMB é, até agora, um argumento sobre densidade. O 1B foi lançado em 2026-05-19 e o 2B em 2026-09-07, ambos densos, ambos Apache-2.0, ambos criados para implantação no dispositivo — o 2B é um LlamaForCausalLM simples, sem kernels personalizados, e é exatamente por isso que foi portado para llama.cpp, MLX, ONNX e meia dúzia de toolchains de NPU em poucas semanas. Um irmão com 15B no total e 2,5B ativos seria o primeiro MiniCPM5 que não é um modelo de borda: o mesmo orçamento ativo do 2B, cerca de seis vezes os pesos armazenados e uma camada de roteamento que precisa ser bem servida para valer a memória que ocupa.
Essa forma de enquadrar também explica o formato estranho deste vazamento. Se o MiniCPM5 MoE é voltado para serving, e não para celulares, então os ports dos engines não são um extra desejável entregue após o lançamento — são o pré-requisito do lançamento, e alguém está fazendo isso cedo. O fato de a mesma conta do GitHub ter aberto tanto o port para llama.cpp quanto o para SGLang, de um membro do projeto MiniCPM estar integrando os patches do fork e de já existir um checkpoint preliminar para o DSpark aponta todo na mesma direção: este é um modelo sendo preparado para lançamento por pessoas com acesso a ele, não um boato montado a partir de changelogs.
O que mudaria esta imagem?
Três coisas, em ordem do quanto elas resolveriam.
Primeiro, um repositório. Uma página no Hub ou no ModelScope com uma configuração, uma licença e um cartão converteria a maior parte do parágrafo acima de inferência em fato e forneceria imediatamente algo contra o que verificar os padrões de configuração sobre os quais alertei.
Segundo, um benchmark de fonte primária. A ficha do MiniCPM5-2B trazia uma média de 53,9 na suíte e células por tarefa para LiveCodeBench, AIME e SWE-bench; um 15B-A2.5B sem tabela equivalente é um modelo cuja proposta de valor inteira fica sem medição. Uma entrada no Artificial Analysis resolveria, já que é independente do fornecedor.
Terceiro, um port mesclado. Todo patch descrito aqui está fechado, em rascunho ou parado em um fork privado. Suporte que existe apenas em um pull request não mesclado é suporte que você não consegue instalar e — como mostra a divergência entre Triton e FA3 — a corretude nessa arquitetura ainda está sendo estabelecida kernel por kernel.
A consequência prática para um leitor hoje é simples: nada para baixar, nada para ligar, nada para migrar. O que um modelo como este muda, quando finalmente chega, é a decisão sobre onde uma carga de trabalho é executada, e essa decisão costuma ser tomada sob pressão de tempo e com evidências incompletas — que é exatamente a situação para a qual existe uma camada de roteamento. O OrcaRouter coloca mais de 200 modelos hospedados atrás de uma única API pelo preço de tabela do provedor, sem acréscimo, de modo que a comparação que você gostaria de fazer, este checkpoint contra o que você usa hoje, não custa nada para ser montada assim que alguém o hospedar; o failover automático significa que um modelo recém-lançado nunca precisa sustentar sozinho um caminho de produção. Nada disso exige que o MiniCPM5-15B-A2.5B esteja disponível, e não o servimos — ele é a rede de segurança em torno dos modelos dos quais você já depende enquanto um modelo não lançado prova seu valor.
Até lá, o resumo honesto é o que a thread do llama.cpp nos deu: os GGUFs existem, e não são públicos. Quatro runtimes já escreveram o código para carregá-los. Fique de olho na página da organização OpenBMB e nos dois pull requests abertos, nessa ordem — o aparecimento de um repositório é o sinal, e um port mesclado é a confirmação de que a arquitetura é o que esses patches dizem que é.
