端侧推理新标杆——MiniCPM 4本地部署教程：5%稀疏度实现128K长文本7倍加速，低成本训练开销匹敌Qwen3-8B

一、介绍

MiniCPM 4 是一个极致高效的端侧大模型，从模型架构、学习算法、训练数据与推理系统四个层面进行了高效优化，实现了极致的效率提升。

• 高效模型架构：
  • InfLLM v2 -- 可训练的稀疏注意力机制：采用可训练的稀疏注意力机制架构，在 128K 长文本处理中，每个词元仅需与不足 5% 的词元进行相关性计算，显著降低长文本的计算开销
•  高效学习算法：
  • 模型风洞 2.0 -- 高效 Predictable Scaling：引入下游任务的 Scaling 预测方法，实现更精准的模型训练配置搜索
  • BitCPM -- 极致的三值量化：将模型参数位宽压缩至 3 值，实现模型位宽 90% 的极致瘦身
  • 高效训练工程优化：采用 FP8 低精度计算技术，结合多词元预测（Multi-token Prediction）训练策略
• 高知识密度训练数据：
  • UltraClean -- 高质量预训练数据的清洗与合成：构建基于高效验证的迭代式数据清洗策略，开源高质量中英文预训练数据集 UltraFineweb
  • UltraChat v2 -- 高质量有监督微调数据合成：构建大规模高质量有监督微调数据集，涵盖知识密集型数据、推理密集型数据、指令遵循数据、长文本理解数据、工具调用数据等多个维度
• 高效推理系统：
  • CPM.cu -- 轻量级的高效 CUDA 推理框架：融合了稀疏注意力机制、模型量化与投机采样，充分体现 MiniCPM4 的效率优势
  • ArkInfer -- 跨平台部署系统：支持多后端环境的一键部署，提供灵活的跨平台适配能力

二、部署过程

基础环境最低要求说明：

1. 构建基础镜像Miniconda-Ubuntu-22.04-cuda12.1.1

2.从 github 仓库 克隆项目：

# 克隆 MiniCPM3 项目
git clone https://github.com/OpenBMB/MiniCPM.git

3.创建虚拟环境

# 创建一个名为 MiniCPM4 的新虚拟环境，并指定 Python 版本为 3.10
conda create -n MiniCPM4 python=3.10 -y

4.安装模型依赖包

激活MiniCPM4，并进入到MiniCPM目录中，安装 requirements.txt 依赖。

# 切换到项目工作目录
cd /MiniCPM

# 激活 MiniCPM3 虚拟环境
conda activate MiniCPM3

# 在 MiniCPM3 环境中安装 requirements.txt 依赖
pip install -r requirements.txt

5.下载预训练模型

推荐下载方法：

1.安装 modelscope 依赖包。

pip install modelscope

2.创建一个Python下载脚本

vim modelscope_download.py

3.插入以下下载代码

# Python 代码下载模型
from modelscope import snapshot_download
model_dir = snapshot_download('OpenBMB/MiniCPM3-4B', cache_dir='./', revision='master')

保存文件：Esc --》Shift + ：--》输入英文的 ：--》输入：wq

• 如果你正在编辑文本，先按 Esc 键退出插入模式。
• 然后，直接按 Shift + :（不需要先按冒号，这个组合键已经包含了冒号的输入），屏幕上会出现一个冒号，提示你输入命令。
• 接着，输入 wq，表示你想要保存文件并退出。
• 最后，按 Enter 键执行命令。

4.执行 modelscope_download.py 文件进行模型下载

python modelscope_download.py

6.更改hf_based_demo.py 文件里的模型路径.

更改为下载后的模型文件的地址。

7.运行 hf_based_demo.py 文件

1.进入到hf_based_demo.py 文件所在的目录进行运行。

cd demo/minicpm

# 运行 hf_based_demo.py 文件
python hf_based_demo.py

2.出现以上错误，根据错误安装accelerate

pip install accelerate

3继续运行hf_based_demo.py 文件

出现问题：使用一张3060爆显存，这时候需要关机实例升配置到两张卡。(如果更换成3090则不需要升配置，只需要将前面步骤重复一遍即可。)

再次更改hf_based_demo.py 文件如下代码：将device_map="cuda:0"更改为device_map="auto"。

3.更改完成继续运行hf_based_demo.py 文件。

可以成功运行：

三、网页演示

出现以下 Gradio 页面，即是模型已搭建完成。