Nemotron 3 Nano Omni 与 MiniCPM-o 4.5 对比:该选哪个开源全模态模型?
NVIDIA 的 31B 全模态模型能读视频、音频和图像并用文本作答;OpenBMB 的 9B MiniCPM-o 4.5 还会说话。对比显存、语言和许可证。
结论. 要看模型必须说什么,以及你有多少硬件。Nemotron 3 Nano Omni 总参数 31B、激活约 3B,上下文 256K,视频最长 2 分钟,音频最长 1 小时,只用文本作答,只支持英语,采用 NVIDIA Open Model Agreement,允许商用。NVIDIA 列出的硬件是:BF16 用 80 GB 的 H100,FP8 用 48 GB 的 L40S,NVFP4 用 32 GB 的 RTX 5090。MiniCPM-o 4.5 是 9.37B 的稠密模型,还会说话,支持中英文,能在说话的同时接收实时的视频和音频,采用 Apache 2.0。OpenBMB 的表格列出 BF16 占用 19.0 GB 显存、int4 占用 11.0 GB,但模型配置只设置了 40,960 个位置,它的全双工演示需要 28 GB 显存的 GPU。两张分数表都是开发方自己的,对手也不同:NVIDIA 对比自己更早的 Nano VL V2,OpenBMB 对比 Gemini 2.5 Flash、GPT-4o 和 Qwen3-VL,所以无法互相比较。请用你自己的片段测试两者。
规格
| 规格 | Nemotron 3 Nano Omni | MiniCPM-o 4.5 |
|---|---|---|
| 开发方 | NVIDIA | OpenBMB |
| 发布时间 | 2026年4月28日 | 2026年2月3日 |
| 总参数量 | 31B (Nano Omni 30B-A3B (BF16)) | 9.37B (9B (BF16)) |
| 激活参数量 | 3B | 全部 |
| 架构 | 混合专家(MoE) | 稠密 |
| 上下文窗口 | 256K token | 40K token |
| 输入 | 文本, 图像, 音频, 视频 | 文本, 图像, 音频, 视频 |
| 许可证 | NVIDIA Open Model (宽松) | Apache 2.0 (宽松) |
| 最小版本所需内存(4 位) | 32 GB (Nano Omni 30B-A3B (NVFP4)) | 11 GB (9B AWQ (int4)) |
性能数据来自开发方,未经独立验证。
选 Nemotron 3 Nano Omni 的情况
- 你有很长的输入:NVIDIA 列出 256K 上下文、最长 1 小时的音频和最长 2 分钟的视频。
- 你只需要文本答案,比如转写、摘要、JSON 或工具调用,并且英语就够了。
- 你有 32 GB 及以上的 NVIDIA 硬件,比如用 NVFP4 的 RTX 5090,或用 FP8 的 L40S。
- 你可以在 Linux 上运行 vLLM 0.20.0,并且自己把 PDF 渲染成页面图像。
选 MiniCPM-o 4.5 的情况
- 你需要模型开口说话:中文或英文语音,使用可配置的声音,或者在已获得同意的前提下使用克隆的声音。
- 你想要实时的全双工流式交互,模型能边听边说,并且会主动开口。
- 你有 12 到 24 GB 显存的 GPU,或 16 到 24 GB 内存的 Apple 芯片 Mac。
- 你想要权重和代码都是 Apache 2.0,并且既支持中文也支持英语。