/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
65,4 ГБ
Лицензия
Apache 2.0
Архитектура
grin_qwen2_vl · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
7 ноя 2025

Uni-MoE-2.0-Omni

Мультимодальная модель8 профессий

Открытая омнимодальная модель для диалога, понимания мультимодальных данных и генерации изображений и аудио.

142скачиваний за 30 дней36лайковвеса обновлены24 ноя 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

Uni-MoE 2.0-Omni — открытая омнимодальная модель команды HIT-TMG, предназначенная для понимания, рассуждений и генерации в сценариях с несколькими модальностями. Версия Omni объединяет обработку разных типов входных данных с генерацией изображений и аудио.

Модель построена на архитектуре GrinQwen2VLForConditionalGeneration и дообучена на базе Qwen/Qwen2.5-7B-Instruct. Метаданные указывают 7,1 млрд параметров, контекст до 128 000 токенов и поддержку английского и китайского языков. В README описаны Omnimodality 3D RoPE и архитектура смеси экспертов с динамической ёмкостью; модель доступна в формате safetensors и использует лицензию Apache-2.0.

Модель подходит для мультимодального диалога, анализа изображений и аудио, а также генерации изображений и аудио. Карточка не уточняет поддерживаемые аудиоформаты, качество на отдельных задачах или ограничения на длину генерируемых аудио и изображений.

Сценарии применения

  • диалог с учётом изображений и аудио
  • анализ и обсуждение изображений
  • понимание аудиовходов
  • генерация изображений по запросу
  • генерация аудио по запросу
  • мультимодальные рассуждения

Ограничения

Карточка не приводит результаты оценки качества и не уточняет поддерживаемые форматы аудио или ограничения генерации. Метаданные указывают возможность чата, но не подтверждают конкретные интерфейсы вызова инструментов.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Uni-MoE 2.0 is a fully open-source omnimodal model that substantially advances the capabilities of Lychee's Uni-MoE series in language-centric multimodal understanding, reasoning, and generating. It is powered by Omnimodality 3D RoPE and Dynamic-Capacity Mixture-of-Experts architecture.

Uni-MoE 2.0-Omni is the version of the Uni-MoE 2.0 series that integrates full-modality understanding, as well as audio and image generation capabilities


If you enjoy our work or want timely updates, please give us a like and follow us.

Open-source Plan

Main Results

Results

Model Introduction

Getting Started

1. Clone this repository and navigate to the Uni-MoE 2.0 folder

git clone https://github.com/HITsz-TMG/Uni-MoE.git
cd Uni-MoE-2

2. Set up environment

Install the evaluation environment according to the requirements.

conda create -n uni_moe_2 python=3.11
conda activate uni_moe_2
pip install torch==2.5.1 torchaudio==2.5.1 torchvision==0.20.1
pip install -r requirements.txt
pip install flash-attn==2.6.0.post1 --no-build-isolation
pip install clip==1.0@git+https://github.com/openai/CLIP.git@dcba3cb2e2827b402d2701e7e1c7d9fed8a20ef1

Example Usage

We provide a simple example on the usage of this repo. For detailed usage, please refer to cookbook

import torch
from uni_moe.model.processing_qwen2_vl import Qwen2VLProcessor
from uni_moe.model.modeling_out import GrinQwen2VLOutForConditionalGeneration
from uni_moe.qwen_vl_utils import process_mm_info
from uni_moe.model import deepspeed_moe_inference_utils

processor = Qwen2VLProcessor.from_pretrained("HIT-TMG/Uni-MoE-2.0-Omni")

model = GrinQwen2VLOutForConditionalGeneration.from_pretrained("HIT-TMG/Uni-MoE-2.0-Omni", torch_dtype=torch.bfloat16).cuda()

processor.data_args = model.config

messages = [{
    "role": "user", 
    "content": [
            {"type": "text", "text": "<audio>\n<image>\nAnswer the question in the audio."},
            {"type": "audio", "audio": "examples/assets/audio/quick_start.mp3"},
            {"type": "image", "image": "examples/assets/image/quick_start.jpg"}
        ]
}]

texts = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
texts = texts.replace("<image>","<|vision_start|><|image_pad|><|vision_end|>").replace("<audio>","<|audio_start|><|audio_pad|><|audio_end|>").replace("<video>","<|vision_start|><|video_pad|><|vision_end|>")
image_inputs, video_inputs, audio_inputs = process_mm_info(messages)

inputs = processor(
    text=texts,
    images=image_inputs,
    videos=video_inputs,
    audios=audio_inputs,
    padding=True,
    return_tensors="pt",
)
inputs["input_ids"] = inputs["input_ids"].unsqueeze(0)

inputs = inputs.to(device=model.device)

output_ids = model.generate(
    **inputs,
    use_cache=True,
    pad_token_id=processor.tokenizer.eos_token_id,
    max_new_tokens=4096,
    temperature=1.0,
    do_sample=True
)

text = processor.batch_decode(output_ids[:, inputs["input_ids"].shape[-1]:], skip_special_tokens=True)[0]
print(text)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Класс архитектуры
GrinQwen2VLForConditionalGeneration
Ревизия весов
e4bdc03

0 моделей