/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,8 млрд
Размер весов
16,1 ГБ
Лицензия
CC BY-NC-SA 4.0
Архитектура
molmo · dense
Базовая модель
Molmo-7B-D-0924
Библиотека
transformers
Опубликована
2 авг 2026

molmo-audio-serving-diar-d

Генерация текстаТекст → текст3 профессии

Blaster — дообученная мультимодальная модель Molmo для разговоров с текстом, изображениями и микрофонной речью, с поддержкой голосового вывода через сопряжённый кодек.

36скачиваний за 30 дней0лайковвеса обновлены12 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Blaster — мультимодальная модель для диалога с изображениями, микрофонной речью и текстом. Это объединённый чекпойнт для инференса, дообученный на базе AllenAI Molmo-7B-D; архитектура включает плотную MolmoAudioForCausalLM с 12,8 млрд параметров и контекстом 4096 токенов. Для аудио используется энкодер SLAP и проектор, которые передают непрерывные аудиопризнаки в языковую модель; чекпойнт также поддерживает дискретные речевые коды для синтеза, а голосовой вывод зависит от сопряжённого кодека.

Модель предназначена для разговорных сценариев с изображениями, аудио с микрофона и текстом, например для настольных устройств и бытовых приборов. Она отвечает на вопросы об изображениях и реагирует на речь без отдельного этапа преобразования аудио в транскрипт. Это не специализированная система распознавания речи и не самостоятельный веб-агент. В карточке отмечены ошибки классификации на сложных речевых запросах и нестабильность следования инструкциям; базовые ограничения Molmo сохраняются. Лицензия — CC-BY-NC-SA-4.0, допускающая использование на условиях атрибуции, распространения производных на тех же условиях и некоммерческого применения.

Сценарии применения

  • диалог с микрофонной речью без предварительной расшифровки
  • ответы на вопросы по прикреплённым изображениям
  • голосовой чат с бытовым или настольным устройством
  • короткие разговорные ответы на текстовые сообщения
  • исследовательские демонстрации мультимодального понимания речи

Ограничения

Это не специализированная ASR-система; на сложных запросах возможны ошибки классификации и следования инструкциям. Качество синтеза речи зависит от сопряжённого кодека, а возможности и ограничения зрения и текста унаследованы от Molmo.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Blaster

Blaster_Image_Logo

Blaster is a multimodal companion model: it can look at images, listen to microphone speech, and reply in text (with optional spoken replies via a codec). It is a fine-tune of AllenAI Molmo-7B-D with continuous audio understanding (SLAP), speaker markers, and discrete speech codes for generation.

This repository is the merged serving checkpoint — the weights you load for inference (vLLM / Transformers). Adapters and companion modules live in sibling repos under the same molmo-audio-* ids (marketing name: Blaster).

What it can do

CapabilityNotes
SeeAnswer questions about attached images
HearRespond to spoken turns without an ASR transcript bridge — audio is encoded and injected as continuous features
Talk (text)Short, conversational replies for mic and typed chat
Optional voice-outWhen the model emits audio codebook tokens, a Spectral FSQ (or legacy DiT) decoder can synthesize speech
Who spokeVocabulary includes <spk1>…<spk4>; a sibling diarization head supports multi-speaker cues

It is designed for desk / appliance-style multimodal chat (image + mic + text), not as a pure ASR system or a general web agent by itself.

Quick start

Transformers (research / offline)

from transformers import AutoModelForCausalLM, AutoProcessor

repo = "0x8badbeef/molmo-audio-serving-diar-d"
model = AutoModelForCausalLM.from_pretrained(
    repo, trust_remote_code=True, device_map="auto"
)
processor = AutoProcessor.from_pretrained(repo, trust_remote_code=True)
# Full multimodal mic+image paths use the project serving stack (below).

Recommended: project Docker stack

Blaster’s production path uses a small gateway + engine + optional DiT/FSQ workers:

export SERVING_MODEL_DIR=$PWD/molmo-audio-serving-diar-d
export MOLMO_LORA_DIR=$PWD/molmo-audio-lora-diar-d/checkpoint-112000   # or your tip
export DIAR_MODEL_DIR=$PWD/molmo-audio-slap-diar
export SPECTRAL_FSQ_DIR=$PWD/molmo-audio-spectral-fsq-v1
export MOLMO_AUDIO_CODEC=spectral_fsq
docker compose -f deploy/compose.yaml up --build -d

Sibling LoRA (unmerged, for continued training): molmo-audio-lora-diar-d.

Model family (Blaster)

Hub idRole
molmo-audio-serving-diar-d (this repo)Merged weights for serving
molmo-audio-lora-diar-dLoRA + audio_modules.pt checkpoints
molmo-audio-slap-stage-aSLAP speech encoder (understanding)
molmo-audio-slap-diarDiarization head
molmo-audio-spectral-fsq-v1Speech codec (voice-out)
molmo-audio-dit-dac-v3Legacy DiT audio generator
molmo-audio-phase-h-restoreBill of materials / restore bundle

What’s inside this repo

FilesPurpose
model-*-of-*.safetensorsMerged language + vision weights
config.jsonMolmo config + audio special-token ids
audio_modules.ptSLAP encoder + projector used at serve time
tokenizer* / special_tokens_map.json<soa> <eoa> <audio_pad> <spkN> <audio_*>
token_manifest.jsonGateway / router ids
modeling_molmo.py (etc.)Remote-code sources for Transformers

Architecture sketch: frozen Molmo-7B-D backbone + folded LoRA; mic audio → SLAP → projector → continuous inject at <audio_pad>; optional discrete <audio_*> codes for synthesis.

Intended use

  • Interactive multimodal chat with images and/or microphone audio
  • Research and non-commercial demos of speech-aware VLMs
  • Starting point for further LoRA continues (prefer the LoRA sibling tip)

Out of scope / limitations

  • Not a dedicated ASR engine — comprehension is end-to-end into the LM, not a transcript-first pipeline
  • Spoken and typed behavior still show class confusions on hard probes (e.g. status vs identity, instruction following); see training notes in the project README_TRAINING.md
  • Voice-out quality depends on the paired codec (Spectral FSQ / DiT), not only this merge
  • Tool-use / web search (when enabled in the UI) can still over-trigger on some turns
  • Base Molmo vision/text strengths and limits still apply

Evaluation (high level)

  • Attribution / diarization gates (oracle speaker markers): strong text; solid spoken
  • Mic hearing and conversational probes are tracked per LoRA tip in the sibling LoRA card and local hearing_eval_*.json / broad_baseline_matrix.md artifacts

Numbers move with each Stage D continue; treat Hub “primary tip” docs as approximate until you pin a checkpoint id.

License

CC BY-NC-SA 4.0 (Attribution–NonCommercial–ShareAlike).

  • Attribution required
  • NonCommercial — no commercial use of these weights without a separate grant
  • ShareAlike — adaptations must use the same license

Marketing name: Blaster. Technical Hub id remains molmo-audio-serving-diar-d.

The backbone allenai/Molmo-7B-D-0924 remains Apache-2.0. Some training mixes include ShareAlike sources (e.g. People’s Speech / Dolly); this weight license is intentionally more restrictive (adds NonCommercial).

Citation / credit

If you use Blaster, please credit:

  • Blaster (0x8badbeef/molmo-audio-serving-diar-d), CC BY-NC-SA 4.0
  • Base model: AllenAI Molmo-7B-D
  • Upstream data licenses as documented in the project training README

Links

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MolmoAudioForCausalLM
Ревизия весов
8ee90c2

0 моделей