/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,7 ГБ
Лицензия
Apache 2.0
Архитектура
emova_qwen2 · dense
Базовая модель
qwen2vit600m
Библиотека
transformers
Опубликована
11 мар 2025

emova-qwen-2-5-7b

Генерация текстаТекст → текст4 профессии

EMOVA-Qwen-2.5-7B — мультимодальная модель для диалога по тексту, изображениям и речи с генерацией текстовых и эмоционально окрашенных речевых ответов.

69скачиваний за 30 дней1лайквеса обновлены13 мар 2025

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

EMOVA-Qwen-2.5-7B — мультимодальная разговорная модель, разработанная командой EMOVA. Чекпойнт объединяет базовую модель Qwen2.5-7B-Instruct с компонентом Qwen2-VL и предназначен для диалога по текстовым, визуальным и речевым входам с текстовыми и речевыми ответами. Архитектура — плотная авторегрессионная модель на 7,1 млрд параметров; нативный контекст — 32 768 токенов.

Модель рассчитана на мультимодальное понимание, ответы на вопросы об изображениях, разговоры с речевым вводом и генерацию речи с управлением стилем и эмоциями. Для китайского и английского заявлены 24 варианта речевого стиля, включая выбор голоса, высоты тона и эмоции. В карточке также заявлена поддержка чата и интерфейса вызова инструментов.

Для работы с чекпойнтом требуется кодовая база EMOVA; репозиторий содержит веса в safetensors и предназначен для использования в исходном формате EMOVA. Лицензия — Apache-2.0. Метаданные указывают text-generation как pipeline_tag, поэтому другие мультимодальные задачи здесь описаны как возможности модели, а не как подтверждённые отдельные pipeline-теги.

Сценарии применения

  • ответы на вопросы по изображениям
  • голосовой диалог на китайском и английском
  • генерация речи с заданным голосом и эмоцией
  • обсуждение визуального и речевого контекста в одном диалоге

Ограничения

Для запуска чекпойнта требуется кодовая база EMOVA. Метаданные каталога указывают text-generation как задачу, поэтому отдельные pipeline-теги для обработки изображений и речи не подтверждены.

Для каких профессий подходит4

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

EMOVA-Qwen-2.5-7B

🤗 EMOVA-Models | 🤗 EMOVA-Datasets | 🤗 EMOVA-Demo 📄 Paper | 🌐 Project-Page | 💻 Github | 💻 EMOVA-Speech-Tokenizer-Github

Model Summary

EMOVA (EMotionally Omni-present Voice Assistant) is a novel end-to-end omni-modal LLM that can see, hear and speak without relying on external models. Given the omni-modal (i.e., textual, visual and speech) inputs, EMOVA can generate both textual and speech responses with vivid emotional controls by utilizing the speech decoder together with a style encoder. EMOVA possesses general omni-modal understanding and generation capabilities, featuring its superiority in advanced vision-language understanding, emotional spoken dialogue, and spoken dialogue with structural data understanding. We summarize its key advantages as:

  • State-of-the-art omni-modality performance: EMOVA achieves state-of-the-art comparable results on both vision-language and speech benchmarks simultaneously. Our best performing model, EMOVA-72B, even surpasses commercial models including GPT-4o and Gemini Pro 1.5.
  • Emotional spoken dialogue: A semantic-acoustic disentangled speech tokenizer and a lightweight style control module are adopted for seamless omni-modal alignment and diverse speech style controllability. EMOVA supports bilingual (Chinese and English) spoken dialogue with 24 speech style controls (i.e., 2 speakers, 3 pitches and 4 emotions).
  • Diverse configurations: We open-source 3 configurations, EMOVA-3B/7B/72B, to support omni-modal usage under different computational budgets. Check our Model Zoo and find the best fit model for your computational devices!

Performance

BenchmarksEMOVA-3BEMOVA-7BEMOVA-72BGPT-4oVITA 8x7BVITA 1.5Baichuan-Omni
MME2175231724022310209723112187
MMBench79.283.086.483.471.876.676.2
SEED-Image74.975.576.677.172.674.274.1
MM-Vet57.359.464.8-41.651.165.4
RealWorldQA62.667.571.075.459.066.862.6
TextVQA77.278.081.4-71.874.974.3
ChartQA81.584.988.785.776.679.679.6
DocVQA93.594.295.992.8---
InfoVQA71.275.183.2----
OCRBench803814843736678752700
ScienceQA-Img92.796.498.2----
AI2D78.681.785.884.673.179.3-
MathVista62.665.569.963.844.966.251.9
Mathverse31.440.950.0----
Librispeech (WER↓)5.44.12.9-3.48.1-

Usage

This repo contains the EMOVA-Qwen2.5-7B checkpoint organized in the original format of our EMOVA codebase, and thus, it should be utilized together with EMOVA codebase. Its paired config file is provided here. Check here to launch a web demo using this checkpoint.

Citation

@article{chen2024emova,
  title={Emova: Empowering language models to see, hear and speak with vivid emotions},
  author={Chen, Kai and Gou, Yunhao and Huang, Runhui and Liu, Zhili and Tan, Daxin and Xu, Jing and Wang, Chunwei and Zhu, Yi and Zeng, Yihan and Yang, Kuo and others},
  journal={arXiv preprint arXiv:2409.18042},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура emova_qwen2 неизвестна transformers в образе рантайма.

Класс архитектуры
EmovaQwen2ForCausalLM
Ревизия весов
fd9544c

0 моделей