minimind-o

MiniMind-O 是一个从零训练的轻量级全模态大模型，单权重支持文本、语音、图像三模态输入，并可同步输出文本与流式语音。其核心采用 Thinker–Talker 双路径架构，在仅约0.1B参数规模下实现端到端多模态理解与生成；完全基于 PyTorch 原生实现，支持音频投影、视觉投影、Mimi 离散编码、多令牌预测（MTP）及实时语音打断等关键技术。适用于个人开发者在单卡消费级 GPU（如 RTX 3090）上快速复现、调试和定制 Omni 模型，特别适合多模态教学、低资源语音交互原型开发与端侧轻量部署研究。