iPhone断网跑35B多模态！国产开源新模型，只占3G内存

把35B装进口袋，断网也能用

先来看一道和我们生活比较贴近的题目。

这次给模型输入的，是一张家庭用电调查表，上面列着空调、冰箱、电热水壶、电视、洗衣机和待机设备的功率与使用时长，再附上这个月的电费账单，一共420度电，126块钱。

这道题的问题一共有三个，它们分别是：

先估算每样电器一个月用多少电，排个序；再算算这几样加起来能解释账单的百分之多少，差出来的那部分能不能全算到别的电器头上；最后在三个省电方案里挑出最省的那个，分别是空调每天少开1小时、电视每天少看2小时，以及待机设备每天彻底断电8小时。

从结果来看，35B-A3B先把瓦换算成千瓦，再拿功率乘以使用时长，一项一项往下算。空调每月144度，排在第一位；冰箱则按标签上的年耗电280度，折算成每月约23.33度；后面依次是电热水壶、电视、待机设备和洗衣机。

六样电器加起来约213.63度，按账单的电价折合64.09元，只能解释账单的50.9%左右，还差206.37度。三个方案里，空调少开1小时最划算，一个月能省24度电，合7.2元。

可以看到，即便是在断网状态下，面对如此复杂的图表，35B-A3B依旧是稳稳拿捏住。

看完35B，我们再来看看1B这边的效果；这次给1B的任务，是把一页论文转成Markdown：

请将这个图片转写为markdown。

不到半分钟的时间，标题层级、段落和表格都被还原了出来，公式也写成了LaTeX，渲染之后和原文的排版基本对得上。

对经常要把论文截图、PDF页面搬进笔记的人来说，这类活儿过去大多要联网交给云端模型。现在一个1.3B的小模型，在手机本地就能干完。

当然，除了手机之外，像iPad这样的端侧设备，同样也是不在话下。

例如刚才我们那个拿破仑远征图的题，在iPad M4上跑了一遍，给出的答案依旧是1812年12月6日、零下37.5摄氏度。

除了端侧之外，我们还用API把MiniCPM-V4.7跑了一遍。

第一道题是记账，我们准备了一张超市小票的样张，上面有6样商品，从纯牛奶、全麦面包一直到抽纸，还有会员优惠和优惠券两笔减免，最后实付78.40元。要求是把它整理成一张中文记账表，再核对一下小票上的账算得对不对。

从结果来看，35B-A3B先把门店、日期和6样商品的数量、单价、金额一项项列进表里，跟原图逐个对下来，没有一处读错。

核对的时候，小票上明明印着商品合计86.40元，它还是把6个金额从头加了一遍，得出86.40元，再减去两笔共8元的优惠，算出78.40元，正好和小票上的实付金额对上。

第二道题也和停车有关，不过规则要比我们开头展示的更复杂一些。

我们设定的情况是，周二持居民证，当天还没在这里停过车，计划从14:10停到15:40。然后让它判断五件事，包括这次停多久、会不会撞上清扫禁停、有没有超过限时、要不要交停车费，以及整个计划合不合规。

35B-A3B五个问题全部答对。它算出这次一共停90分钟，从14:10开始，正好避开了12点到14点的清扫时段，也没超过2小时的上限；因为持有居民证，停车费可以免掉。

最后的综合判断里，它把每条规则都过了一遍，还注意到当天此前没停过车，所以“再次进入要隔30分钟”这条用不上，结论是这个停车计划符合规定。

3G内存怎么跑动35B的？

看完效果，问题也就来了：

一个35B的模型，凭什么能在12GB内存的手机上跑起来，还跑得不慢？

35B-A3B这个MoE模型，虽然总共有35B参数，但生成每个token时真正参与计算的只有3B左右。不过这里还有个麻烦，那就是每一层该叫哪几位专家，要等上一层算完才知道。

而手机内存又装不下全部专家，大部分只能放在闪存里，用到了再读进来。

过去常见的办法有两种。一种是用到哪个专家就读哪个，大模型倒是能跑，可解码慢到没法实时对话；另一种是给整段对话提前固定一小组专家，读盘次数少了，模型能挑的专家也跟着变少，能力难免打折扣。

MiniCPM-V 4.7想要的是两头都顾上：速度要够快，能力也不能轻易掉。放到实际使用中，还得再考虑一步——开发者拿去定制自己的业务，模型学会了新技能，原来的本领也要尽量留住。

先看怎么跑得更快。

前瞻专家调度（LES）把专家预取、计算调度和权重存取一起做了优化：什么时候搬、先算哪个，以及每次搬多少，都有讲究。

团队利用了一个特点：模型相邻两层的输入特征往往高度相似。因此，当前层还在计算时，就可以把它的路由输入特征送进下一层的路由器，提前预测下一层可能用到哪些专家，再由后台线程把对应权重从闪存读进内存。

等到下一层真正开工，大部分所需专家已经准备好了。团队测试中，这种方法能提前备好超过 80% 的所需专家，而且无需额外训练。

计算顺序也跟着调整：实际路由选中、已经加载到位的专家先算，其余所需专家同步加载。 尽量让计算和读盘同时进行，少一点「等数据到了再干活」。

这里有个关键区别：预测只负责提前搬运和安排计算顺序，最终每个token使用哪些专家，仍由模型原有的路由机制决定。没猜中的专家照常加载、照常计算，不会为了提速省掉。

另一部分优化发生在权重本身。通过逐层混合精度量化，团队在基本保留模型能力的前提下，把专家权重压得更小，减少每次加载的数据量；再把权重重新组织成连续存储的布局，减少零散读取，让闪存更高效地顺序读数。

一个减少要搬的东西，一个让搬运更顺畅，再配合提前加载和并行计算，共同降低端侧的存储与带宽压力。

在16GB内存的iPad Pro M4上，前瞻专家调度方案综合提升了x5倍解码速度 。

此外，团队还为模型训练了配套的DSpark草稿模型，并接入llama.cpp等端侧推理框架。由草稿模型先提出多个token，再交给主模型批量核验，进一步加快生成。在16GB内存的M5 Mac测试中，解码速度平均进一步提升17%。

视觉这一侧也在省。MiniCPM-V 4.7沿用了LLaVA-UHD v4的ViT内早期压缩技术，在视觉编码器内部就提前合并视觉token，后面的层要算的东西就少了。开发者还能在4倍和16倍压缩之间切换，前面也提到，开到16倍时分数几乎没掉。

这几项技术叠加起来，就是面壁所说的“快上加快”了。

跑得快之外，还有一个开发者经常碰到的问题：模型针对业务微调后，新任务做得更好了，原来的通用能力却退步了。

面壁为此推出了自回放微调（Self-Replay Fine-Tuning）。做法很直观：在微调前，先让模型回答一批覆盖原有能力的问题，筛选出高质量回答，再把这些回答混进新任务的训练数据。模型一边学习新技能，一边复习自己原来会的东西，减少对已有能力的遗忘。

这些「复习材料」来自模型自身，更贴近它原有的回答方式。整个方法沿用标准微调流程，无需修改模型结构或损失函数。回放数据只需生成一次，就可以在模型学习不同新的能力或者开展多次训练时重复使用。

相比在线强化学习或者On-Policy Distillation等训练方法要求模型每次训练都采样新的数据，自回放微调让定制新能力的成本无限接近普通的监督微调（Supervised Fine-tuning），同时保留模型的通用表现。

当大模型不再挑手机

说完技术，我们再回到手机行业。

2026年，端侧AI正在走向大规模装机。根据IDC预计，今年中国新一代AI手机出货量将达到1.47亿台，同比增长31.6%，渗透率首次突破53%。换句话说，每卖出两台新手机，就有一台带着端侧AI。面壁智能CEO李大海也说过，2026年是端侧AI规模化落地的元年。

不过对手机厂商来说，还有一个很现实的问题，那就是成本。

内存一直在涨价，12GB已经成了AI手机的及格线，旗舰普遍标配16GB，部分机型开始往24GB上探。模型想变强，往往就得吃更多内存，而内存越贵，这条路走起来就越费钱。

所以，用更少的内存跑更大的模型，对厂商来说就很有吸引力。iPhone 17 Pro Max的内存是12GB，而35B-A3B大约3G内存就能流畅运行，剩下的空间还能留给其他应用。

从更长远来看，端侧AI的竞争重点也在变化。过去大家比的是芯片制程和算力，接下来，模型和推理框架能不能跟硬件配合好，会越来越成为拉开差距的地方。

生态方面，MiniCPM-V 4.7支持的平台也比较多。iOS、安卓和鸿蒙都能部署，发布当天就完成了瑞芯微、后摩、Intel、AMD和Arm等芯片平台的适配。推理框架支持SGLang、vLLM、llama.cpp和Ollama，微调可以用SWIFT和LLaMA-Factory，量化版本也给了GGUF、AWQ、GPTQ、FP8等好几种。

这条路线背后，是面壁和清华提出的密度定律。按这个规律，大模型的能力密度大约每3.5个月翻一番，同样的能力，需要的参数会越来越少。截至2026年9月，MiniCPM系列的累计下载量已经突破5000万次。

总而言之，把好用的大模型丝滑揣兜里，现在已经不是难事了。

JOTO 企业落地观察

• MiniCPM-V 4.7 的 MoE 架构与 LES 调度机制，为企业在边缘设备部署高能力多模态模型提供了轻量级工程范式，尤其适用于对网络隔离性、响应实时性有硬性要求的现场作业场景（如电力巡检、工业质检终端）。
• 其自回放微调（Self-Replay Fine-Tuning）方法大幅降低了业务定制门槛，使企业无需重构训练管线即可在保留通用能力前提下注入领域知识，这对构建可演进的企业专属智能体具有直接工程价值。
• 对 iOS/安卓/鸿蒙及 SGLang/vLLM/llama.cpp 的全栈适配，降低了企业跨终端 AI 应用的部署碎片化成本，尤其利于需统一管理移动办公、IoT 设备、车载终端等异构端侧入口的大型组织。