端側模型具備代理

端側AI正在出現新的能力邊界。面壁智能開源MiniCPM5-2B，這款端側模型在發布時把工具調用、深度搜尋和程式碼生成帶到設備端，意味端側模型不再只停留在文字生成或問答，而是開始具備代理式任務處理的輪廓。過去談到端側模型，外界多半關注它能否在有限資源下順暢對話、摘要或回答問題。MiniCPM5-2B受到注意的地方，在於它把工具調用納入端側能力。工具調用讓模型有機會從單純輸出文字，進一步連結外部功能，形成可執行的操作流程。這也正是端側Agent從聊天能力轉向可執行任務的關鍵一步。深度搜尋同樣是這次端側能力佈局的一部分。

當搜尋與資訊查找被帶到設備端，模型在處理需要搜尋的任務時，就不必完全依賴雲端往返。對端側Agent而言，這代表它能在本地端展開更接近實際工作流程的搜尋行為，而不是只做一次性的問答回應。程式碼生成被列為MiniCPM5-2B的端側能力之一，也讓這款模型的定位更接近可執行任務的工具。程式碼生成通常牽涉結構化輸出、語法理解與上下文維持，若能在設備端完成，代表端側模型的能力範圍正在從一般自然語言處理，延伸到更具生產力的應用場景。除了模型本身，面壁智能團隊還開放部分訓練配方、數據和RL框架。

這裡的重點在於「部分」開放，而非全部揭露；即便如此，訓練配方、數據與強化學習框架同時出現在開源內容中，已讓外界能更進一步理解模型訓練與能力形成的一部分路徑。訓練配方與RL框架的開放，對端側模型生態具有指標意義。過去許多模型只釋出權重或推論介面，外界難以知道模型如何被訓練、如何被強化，以及資料在其中扮演什麼角色。當部分配方、數據和RL框架被打開，研究與開發者就多了一層可參考、可實驗的基礎，也有助於端側代理能力的後續探索。另一方面，UltraX用0.6B編輯模型精煉語料，則是資料處理端的另一個觀察點。0.

6B模型規模不大，卻被用來執行語料精煉，顯示在大型模型之外，較小模型也可以在資料品質環節扮演角色。語料精煉的目標，是讓訓練資料更乾淨、更符合需求，進而影響模型學習到的內容與表現。更值得注意的是，UltraX的操作過程可保存和審計。資料精煉若只停留在黑箱處理，外界很難確認語料經過哪些步驟、產生哪些變化；可保存與可審計則讓整個流程具備追溯性。對訓練資料治理而言，這樣的能力意味操作紀錄可以被保留，後續也能被檢查與驗證。將MiniCPM5-2B與UltraX的動作放在一起看，可以看到端側Agent的發展不再只圍繞模型參數或對話品質。

一端是2B端側模型把工具調用、深度搜尋和程式碼生成帶到設備端；另一端是0.6B編輯模型投入語料精煉，並讓操作過程可保存和審計。兩者分別對應模型能力與資料流程，構成端側代理走向可執行任務時的重要環節。端側Agent開始從聊天能力轉向可執行任務，是這波變化的核心。聊天能力強調回應是否自然、知識是否豐富；可執行任務則要求模型能理解目標、選擇工具、完成步驟，並在裝置端產生實際結果。當工具調用、深度搜尋與程式碼生成都在端側出現，代理的定義就不再只是會對話的助理，而是能在設備上推進任務的執行者。這樣的轉向也讓端側模型的評價標準出現改變。

模型是否夠小、推論是否夠快仍然重要，但能否調用工具、能否搜尋、能否生成程式碼，以及訓練資料與流程是否可被理解與審計，也逐漸成為端側代理能力的一部分。MiniCPM5-2B的開源與UltraX的語料精煉，正好反映這條路線正在同時往模型端與資料端推進。整體而言，端側模型具備代理，並不只是把雲端Agent縮小放進設備，而是重新定義端側模型可以承擔的工作。面壁智能開源MiniCPM5-2B，把工具調用、深度搜尋和程式碼生成帶到設備端，並開放部分訓練配方、數據和RL框架；UltraX則以0.6B編輯模型精煉語料，讓操作過程可保存和審計。

這些動作共同指向同一個方向：端側Agent正從聊天能力，邁向可執行任務的新階段。