0.1B的“大”模型，还是全模态！这能用吗？

前言

最近我在刷抖音时，偶然看到了这样一个模型。参数量小的可怜——只有0.1b！要知道就连RAG用的嵌入模型有些都有0.6b了（如qwen3-Embedding-0.6b）,我想，这幻觉得有多大啊？毕竟0.8b的大模型就很“笨”了。

如图。我让此模型帮我规划四人份的早餐，而它给出的答案可以说与早餐毫不相关！真的会有人早餐吃这么硬核的东西吗？

折腾过程

言归正传，这个模型其实叫 MiniMind-O ，这里给出Github仓库链接。

jingyaogong/minimind-o

这个项目出自 jingyaogong 之手，是他 MiniMind 系列的第三站：先是 MiniMind（纯文本 LLM），再是 MiniMind-V（视觉多模态），最后是 MiniMind-O（听、说、看、想的全模态）[1]。所谓 Omni，就是单一权重同时接收文本、语音、图像输入，输出文本和流式语音——也就是 GPT-4o 那种形态，只不过把 0.1B 的骨架塞了进去。项目在 2026 年 5 月 5 日开源，发布时 GitHub 上已经有 2.3k star、266 fork[2]，还附带了一篇技术报告[3]，属实是”麻雀虽小，五脏俱全”。

既然它自称”CPU 即可快速推理”，那我这个只有核显、没有独显的电脑就有用武之地了。我当时的心理预期是：反正就 0.1B，跑不起来就当看个乐子。

装起来：比想象中顺利

克隆仓库、装依赖、下权重，一套流程走下来倒是没遇到什么大坑。它需要下载的东西不少：

• 主模型权重 sft_omni_768.pth（约 236MB）
• 语音编码器 SenseVoice-Small（约 469MB）
• 视觉编码器 SigLIP2（约 189MB）
• 音频编解码器 Mimi（约 192MB）
• 说话人编码器 CAMPPlus（约 14MB）

加起来约 1.1GB，从 ModelScope 下载（国内速度很快）[4]。值得一提的是，这些”编码器”都是冻结的外部旁路模块——它们负责把语音、图像变成模型能懂的”语言”，以及把模型生成的音频码流还原成声音，但并不参与模型主体的训练。所以严格来说，MiniMind-O 的 0.1B 只是”可训练主体”，运行时要全部加载的话，大约是 538MB 参数（113M 主体 + 425M 冻结模块）[3]。这就是它敢叫”0.1B”又敢自称”全模态”的底气所在。

这里不得不提一嘴，此项目README.md中的第0步 1’环境准备相关内容。

# 克隆仓库代码
git clone --depth 1 https://github.com/jingyaogong/minimind-o
# 安装必要依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注意到作者使用了清华大学的tuna镜像源，此举可以大幅增加下载速度，在此可以看出作者很用心。

实测：文本问答，时灵时不灵

装好之后先用命令行跑了官方的评测脚本，7 个中文问题挨个问了一遍。结果嘛……只能说符合预期。

先看看表现还行的：

问：如何制作一杯咖啡？
答：制作一杯咖啡需要以下步骤：

1. 准备咖啡粉和水，将咖啡粉放入咖啡壶中，加入适量的热水，等待约5分钟，然后用过滤器过滤咖啡粉和水，让咖啡渗透到杯子里。
2. 把过滤器放入咖啡杯中，将热水倒入杯中，等待几分钟。
3. 等待几分钟，让咖啡充分渗透到杯子里。
4. 加入适量的咖啡粉，根据个人口味调整。
5. 搅拌均匀，即可

看起来还挺好的。

再感受一下翻车的：

问：告诉我一个关于太空的有趣事实。
答：太空中没有重力，所以没有重力。

……嗯，第一句是对的，第二句是对第一句的复读。这很”小模型”。

问：介绍一下你自己
答：作为一个AI语言模型，我没有自己，因为我是由计算机程序运行的。我被设计用于回答问题、提供信息、进行对话和执行任务。我没有自己，因为我没有自己。

“我没有自己，因为我没有自己”——莫名有点哲学，又莫名有点好笑。这大概是 0.1B 模型对”自我意识”的终极回答。

还有几个中规中矩的：

• 今天天气怎么样？ → “今天的天气情况取决于您所在的地区。”（正确但说了等于没说）
• 明天会下雨吗？ → “我无法确定，需要更多的信息才能回答这个问题。”（这个回答相当体面）
• 讲个笑话 → “为什么秃顶的人会喜欢糖果？因为他们喜欢’糖果’！”（谐音梗，勉强算个笑话）

总体观感：不稳定——这是 0.1B 模型最核心的性格。同一个问题，换个问法、换个时间问，答案就飘。比如”1加1等于几”，我这边问它倒是答出了”等于2”，但解释部分开始胡言乱语：”将第一个数字1和第二个数字2相加，得到了两个数字1和数字2”——而有的朋友实测同一个问题，它直接答错。一个 1+1 都能时对时错，知识问答就更不用说了：0.1B 的脑子里装不下多少事实，问”海水为什么是咸的”这种问题，它会给你编出一套”阳光反射导致咸味”的伪科学[3]。这就是小模型的宿命：会说话，但知识少，且不稳定。

它是真的会”说”！！！

但！MiniMind-O 最骚的地方不在文本，而在语音。这玩意儿是端到端的——它不是”语音转文字→LLM 回答→文字转语音”三级串联，而是让语音和文本在模型内部直接打通[3]。

架构上它分成两条路：

• Thinker（思考者，约 64M）：负责理解输入，生成文本回复——就是普通的 LLM 主干
• Talker（说话者，约 47M）：负责把 Thinker 的”想法”转成语音编码，一次预测多层音频码流，由 Mimi 解码器还原成 24kHz 的流式语音[3]

翻译成人话就是：一个负责想，一个负责说，配合默契。所以它生成的每一句回答，都自带语音输出。

至于语音的实际听感如何，我只能说每个人有每个人的判断，在这里我放一下默认音色生成的音频,供大家试听。

它甚至还支持音色克隆：内置 5 个音色（dylan、eric、serena 等）+ 7 个 unseen 音色，上传一段参考音频就能让模型模仿那个声音说话。官方给了音色相似度评测数据，最好的能达到 0.72 左右的余弦相似度（CAM++ embedding）[3]，同时也直言”目前效果还谈不上高保真克隆，长句里容易被发音和节奏问题带偏”[3]。

所以，能用吗？

最后回到标题的问题：0.1B 的全模态模型，能用吗？

我的结论是：当玩具用，它是神；当工具用，它是鬼。 神鬼一念间了属于是

• 它证明了”小模型 + 全模态”这条路走得通：0.1B 就能听、能说、能看，还是端到端
• 它提供了完整的代码、权重、数据和训练流程，单卡 3090 约 2 小时就能从零跑通训练链路[1]——这对想学 Omni 模型原理的人来说，是教科书级的开源项目。
• 但它的知识水平、长文本能力、语音自然度，都根本撑不起任何正经使用场景

如果你也想折腾，步骤很简单：克隆仓库 → 装依赖 → 从 ModelScope 下权重 → python eval_omni.py 就能开聊；想体验实时语音对话还有 WebUI，甚至支持电话模式（barge-in 打断、近似双工）[1]。全程不需要独显，CPU 就能跑——我实测加载约 1-2 分钟，回答一句的速度在可接受范围。

哦对了，至于开头那个”四人份早餐”的翻车现场——我后来专门把同一个问题又喂给了它，结果这次它反而列出了一整套像样的食谱（燕麦粥+牛奶、煎蛋+全麦吐司、烤鸡胸肉配米饭……）。同一个问题，两次答案天差地别：一次答非所问，一次像模像样。这大概就是 0.1B 的”随机数生成器”本色了：它不是在思考，而是在“蒙”答案。

因为大模型的本质就是个基于海量数据训练出来的概率模型。它通过分析文本中词语和句子出现的规律，学习到语言的内在模式和知识，而不是真正“理解”或“思考”。它只会在给定前文的情况下，猜下一个词最可能是哪个。所以，在参数量极小的情况下，它实际上有很大概率“猜不准”，更容易受到一些不合适数据的影响，从而一本正经的胡说八道。

总之，我的评价是，还是把他当玩具/学习参考用吧。 0.1b诶！还要啥自行车啊 (bushi

---

参考链接：

[1] jingyaogong. MiniMind-O: 从0训练0.1B能听能说能看的全模态Omni模型[EB/OL]. GitHub, 2026-05-05. https://github.com/jingyaogong/minimind-o

[2] jingyaogong. minimind-o 仓库页面[EB/OL]. GitHub. https://github.com/jingyaogong/minimind-o

[3] Jingyao Gong. MiniMind-O Technical Report: An Open Small-Scale Speech-Native Omni Model[EB/OL]. arXiv:2605.03937. https://arxiv.org/abs/2605.03937

[4] gongjy. minimind-3o-pytorch 模型权重[EB/OL]. ModelScope. https://www.modelscope.cn/models/gongjy/minimind-3o-pytorch