测了一个9B开源模型，AI视频对话终于不像对讲机了

背景：传统多模态模型在视频对话中通常采用“单工”模式，即模型在输出回答时会暂停对外界声音和画面的感知，导致交互体验像回合制对讲机一样割裂。研究目的：文章通过测试新开源的9B参数模型MiniCPM-o 4.5，探讨其“全双工”能力如何实现边看、边听、主动说的自然交互，以改善多模态模型的实时性和用户体验。结论：MiniCPM-o 4.5通过全双工架构，在持续感知环境的同时进行输出，能够更自然地处理实时场景如提醒红绿灯变化、描述动态绘画等，且在视频理解、视觉问答等任务上性能接近更大规模模型，同时因参数较小、效率高，适合端侧部署，为多模态交互开启了新的可能性。