MiniCPM5-2B: Was ein 2B-Modell wirklich kann

OpenBMB hat am 07.09.2026 MiniCPM5-2B veröffentlicht, ein dichtes Sprachmodell mit 2.516.756.480 Parametern unter Apache 2.0. Native Kontextlänge sind 131.072 Token. Es läuft über llama.cpp, Ollama, LM Studio, MLX, vLLM und SGLang, offizielle GGUF- und MLX-Varianten liegen mit im Repository.

Damit ist es genau die Sorte Modell, die für DSGVO-empfindliche Arbeit interessant ist: klein genug für ein Notebook, frei genug lizenziert für den kommerziellen Einsatz, und die Daten verlassen die Maschine nicht.

Die spannende Frage ist nicht, ob es läuft. Sondern was es kann. Und da lohnt es sich, die Herstellerzahlen und die unabhängigen Messungen nebeneinanderzulegen.

Was OpenBMB selbst angibt

Die Modellkarte nennt einen Durchschnitt von 53,9 Punkten über 34 Benchmarks und beansprucht damit "2B-class open-source SOTA", vor einem Vergleichsfeld, dessen bester Wert bei 51,1 liegt. Genannte Stärken: Code-Reasoning, mathematisches Reasoning, Langkontext, Tool-Nutzung und agentische Aufgaben.

Ungewöhnlich und ausdrücklich zu loben ist, was OpenBMB neben den Gewichten offenlegt: die Trainingsdatensätze und das Trainingsrezept (UltraX, UltraData-Code, UltraData-SFT-Agent-2609, UltraData-RL-2609) über Base-, Mid- und Post-Training, sowie den RL- und On-Policy-Distillation-Stack mit 16 Expertenmodellen. Das ist deutlich mehr als das übliche "open weights", bei dem nur die fertigen Gewichte herausfallen.

Ein selbst berechneter Durchschnitt über selbst gewählte Benchmarks bleibt trotzdem eine Herstellerangabe.

Was unabhängig gemessen wurde

Artificial Analysis hat das Modell am selben Tag in den eigenen Intelligence Index aufgenommen. Ergebnis: 15 Punkte auf Index v4.2, der höchste Wert aller Open-Weight-Modelle unter 4 Milliarden Parametern.

Damit das einzuordnen ist, braucht es den Blick nach ganz oben. Dort stehen Claude Fable 5.1 und GPT-6 Astra mit je 53 Punkten. Ein Modell, das auf einem Notebook läuft, liegt also nicht knapp hinter der Spitze, sondern bei gut einem Viertel davon. Diesen Maßstab sollte man beim Lesen der folgenden Tabelle im Kopf behalten. Der Wettbewerb, den MiniCPM5-2B gewinnt, ist der unter den Kleinen.

Ein Hinweis zu den 53: Die stammen vom aktuellen Leaderboard, das inzwischen auf einer neueren Index-Version läuft und MiniCPM5-2B dort mit 14 führt statt mit 15. An der Größenordnung des Abstands ändert das nichts, und es ist genau der Effekt, um den es im nächsten Abschnitt geht.

Die Einordnung im Vergleichsfeld ist aufschlussreicher als die Zahl allein:

Ein Modell, das mit gut einem Viertel der Größe eines 9B-Modells gleichzieht, ist ein echter Fortschritt. Dass der Vorsprung zum nächstbesten Modell unter 4B vier Punkte beträgt, auch.

Die Falle mit der Benchmark-Version

Wer die Meldung anderswo liest, findet vermutlich die Zahl 23 statt 15. OpenBMB selbst hat 23 kommuniziert.

Beide Zahlen stimmen. Artificial Analysis schreibt dazu, MiniCPM5-2B habe 23 auf dem Index v4.1.1 erreicht, der neue Wert von 15 auf v4.2 spiegele die geänderte Zusammenstellung und Gewichtung der Tests, und die Werte beider Versionen seien nicht direkt vergleichbar.

Das ist ein guter Anlass für eine Gewohnheit: Bei jeder Benchmark-Zahl gehört die Version dazu. Sonst vergleicht man in sechs Monaten Werte, die nichts miteinander zu tun haben, und wundert sich über Rückschritte, die keine sind.

Wo das Modell stark ist

Der Vorsprung liegt eindeutig im agentischen Bereich, also genau dort, wo ein lokales Modell im Arbeitsalltag interessant wird.

Auf GDPval-AA v2, das Modelle an realen Arbeitsaufgaben misst, erreicht MiniCPM5-2B eine Elo von 831. Die menschliche Referenz liegt hier bei 1.000, das ist der Maßstab, an dem sich auch die Frontier-Modelle messen lassen müssen. Ling 3.0 Tiny liegt bei 718, Granite 4.2 8B bei 647. Modelle dieser Größenordnung liegen sonst weit darunter, LFM2.5-2.6B bei 204, Gemma 4 E4B (Reasoning) bei 178. Auf τ³-Banking teilt es sich mit 21 Prozent den ersten Platz, das nächstbeste Modell im Vergleichsfeld kommt auf 8 Prozent.

Dazu kommt Token-Effizienz, die auf dem eigenen Rechner direkt spürbar ist: 19.000 Output-Token pro Index-Aufgabe, davon 11.000 Reasoning-Token. Ling 3.0 Tiny braucht 56.000 für einen Punkt mehr.

Wo es klar abfällt

Artificial Analysis benennt die Schwächen ungewöhnlich deutlich, und sie betreffen ausgerechnet Dinge, die im Entwickleralltag zählen.

Auf Terminal-Bench v2.1 kommt das Modell auf 9 Prozent, Qwen3.5 9B (Reasoning) auf 29 Prozent. Auf Humanity's Last Exam sind es 9 Prozent, Platz sieben im Vergleichsfeld. Auf CritPt null Prozent. Auf GDP.pdf, einer Auswertung zu professionellem Dokumenten-Reasoning, löst es ein Prozent der Aufgaben vollständig. Hier lohnt der direkte Vergleich nach oben, weil Artificial Analysis ihn für dieselbe Index-Version veröffentlicht hat: GPT-6 Astra kommt auf 33,2 Prozent, Claude Fable 5.1 auf 26,2 Prozent. Beim Langkontext-Test AA-LCR v1.1 landet MiniCPM5-2B mit 59 Prozent auf Platz fünf, obwohl 131k Kontext im Datenblatt stehen.

Bei Terminal-Bench und Humanity's Last Exam fehlt dieser Blick nach oben, weil das Vergleichsfeld von Artificial Analysis dort nur kleine und mittelgroße Modelle enthält. Die Prozentwerte sind also Platzierungen in diesem Feld, nicht der Abstand zur Spitze.

Für ein Modell dieser Größe sind solche Werte zu erwarten. Entscheidend ist, dass "131k Kontext" und "brauchbares Langkontext-Verständnis" zwei verschiedene Aussagen sind. Nur die erste steht auf der Modellkarte.

Der Wert, den man richtig lesen muss

Eine Zahl verdient eine eigene Erklärung, weil sie sonst falsch ankommt. Auf AA-Omniscience erreicht MiniCPM5-2B minus 12.

Dieser Wert entsteht nicht durch Falschantworten, sondern durch Zurückhaltung. Das Modell versucht nur 29 Prozent der Fragen überhaupt, seine Non-Hallucination-Rate liegt bei 78 Prozent. Die Trefferquote der beantworteten Fragen beträgt 8 Prozent. Modelle, die deutlich mehr Fragen angehen, werden härter bestraft: Qwen3.5 9B (Reasoning) steht bei minus 53, gpt-oss-20b (high) bei minus 63.

Für ein Modell, das lokal Werkzeuge bedienen soll, ist ein zurückhaltendes Antwortverhalten eher ein Vorteil als ein Mangel. Ein Agent, der bei Unsicherheit abbricht, richtet weniger Schaden an als einer, der plausibel danebenliegt.

Für wen sich das lohnt

Wenn ihr ein lokales Modell für agentische Aufgaben sucht, also Tool-Aufrufe, strukturierte Abläufe, Vorverarbeitung ohne Cloud, ist MiniCPM5-2B derzeit der beste Kandidat in seiner Größenklasse. Apache 2.0 räumt die Lizenzfrage aus, die bei vielen offenen Modellen offen bleibt. Auf einem Apple-Silicon-Notebook läuft es über MLX oder llama.cpp ohne Sonderhardware.

Wenn ihr dagegen echte Coding-Arbeit, Terminal-Aufgaben oder Auswertung langer Dokumente erwartet, sind die unabhängigen Zahlen eindeutig: Dafür reicht diese Größenklasse noch nicht, und die Lücke zu einem 9B-Modell ist an genau diesen Stellen groß.

Die Einordnung, welches lokale Setup welche Hardware braucht, steht in unserem Test lokaler Modelle auf eigener Hardware, der Einstieg in Ollama.