/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_omni_moe · dense
Базовая модель
Qwen3-Omni-30B-A3B-Instruct
Библиотека
transformers
Опубликована
16 авг 2026

Qwen3-Omni-30B-A3B-bf16

Мультимодальная модель3 профессии

Дообученная Qwen3-Omni модель для голосовых диалогов, которая принимает аудио и отвечает речью.

30скачиваний за 30 дней0лайковвеса обновлены1 сен 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

Qwen3-Omni-30B-A3B-bf16 — мультимодальная модель для диалога с речью, дообученная VikramPal на базе Qwen/Qwen3-Omni-30B-A3B-Instruct. Модель объединяет вход аудио и генерацию ответа голосом; в README описано обучение Thinker — части модели, которая воспринимает вход и формирует содержание ответа. Talker и декодер code2wav оставлены без изменений относительно базовой модели.

Обучение выполнено методом QLoRA с рангом 16 на проекциях внимания и плотных MLP, после чего адаптер объединён с базовой моделью. Объём параметров обучавшейся части Thinker — 31,72 млрд; общий размер bf16-артефакта на диске — около 65,69 ГиБ. Репозиторий использует safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Модель предназначена для сквозных голосовых диалогов: она принимает речь и выдаёт речевой ответ. README сообщает лишь о проверке работоспособности на небольшом числе клипов и не приводит метрик точности, сравнительных тестов или результатов пользовательского прослушивания. Дообучение проведено за одну эпоху на диалогах; голосовой Talker не обучался и сохраняет поведение базовой модели.

Сценарии применения

  • ответы голосом на устные запросы
  • сквозной диалог с аудиовходом и аудиовыходом
  • создание прототипов голосовых ассистентов
  • эксперименты с распознаванием и генерацией речи в одной модели

Ограничения

Качество не оценивалось бенчмарками или сравнительным исследованием; README описывает только smoke-проверку на четырёх клипах для каждого варианта. Дообучение выполнено за одну эпоху, а Talker не обучался и сохраняет манеру базовой модели.

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

Qwen3-Omni-30B-A3B-bf16

Speech-to-speech fine-tune of Qwen3-Omni-30B-A3B, merged, in bf16.

Fine-tuned from Qwen/Qwen3-Omni-30B-A3B-Instruct on spoken dialogue, then merged back into the full model at full precision.

What was actually trained

Qwen3-Omni ships the codec decoder (code2wav) but no codec encoder or quantizer, so target speech cannot be turned back into the discrete Talker labels a speech-out loss would need. This run therefore trains the Thinker -- the half that listens and decides what to say -- inside the full speech-in/speech-out pipeline, with the Talker and code2wav frozen and bit-identical to the base checkpoint. That is also the only half DynQuant quantizes here: all 96 expert banks are Thinker banks.

Trained stagethinker (31.72 B params)
Frozen stagestalker, code2wav (3.54 B params, bit-identical to base)
MethodQLoRA, rank 16, on attention and dense-MLP projections
Steps500 optimizer steps at effective batch 16 (2 x GPU)
Audio seen10.0 hours
Wall clock30 min

Size

ArtifactOn disk
QLoRA adapter0.10 GiB (112,207,855 B)
bf16 merge65.69 GiB (70,537,517,111 B)
DynQuant 4-bit21.38 GiB (22,953,262,961 B)
DynQuant 3-bit17.68 GiB (18,988,492,249 B)

Honest limits

There is no accuracy metric. No benchmark, no A/B against the base checkpoint, no listening study -- that was accepted going in. What did run is a smoke probe: 4 held-out clips per arm, seed pinned, each answered end to end from audio in to audio out, with the loaded module tree counted afterwards so that a directory which silently loaded unquantized could not pass as a working quantized model.

ArmPacked modulesClipsSilentMedian new tokensSpeech emitted
bf16 mergenone (bf16)403945.4 s
DynQuant 4-bit602402137.6 s
DynQuant 3-bit602402830.5 s

That checks for the destroyed-model failure -- silence, fluent nonsense, a load path that quietly fell back -- and all three arms pass it. It is not a measure of quality. A handful of replies read by eye cannot separate "as good as bf16" from "noticeably worse but still coherent", and nothing in this campaign does.

This is the unquantized side, so it carries only the limits of the fine-tune itself: one epoch over spoken dialogue, and a Talker that was never trained and so still speaks in the base checkpoint's manner.

Use

import torch, transformers

model = transformers.Qwen3OmniMoeForConditionalGeneration.from_pretrained(
    "VikramPal/Qwen3-Omni-30B-A3B-bf16", dtype=torch.bfloat16, device_map="auto"
)
processor = transformers.AutoProcessor.from_pretrained("VikramPal/Qwen3-Omni-30B-A3B-bf16")

conversation = [
    {"role": "system", "content": [{"type": "text", "text": "You are a helpful voice assistant. Reply naturally and briefly, as if speaking aloud."}]},
    {"role": "user", "content": [{"type": "audio", "audio": wave_16khz}]},
]
inputs = processor.apply_chat_template(
    conversation, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt", sampling_rate=16000,
).to(model.device).to(model.dtype)

text_ids, audio = model.generate(**inputs, speaker="Ethan", return_audio=True)
# audio comes back at 24 kHz

Provenance

Produced with DynQuant v0.5.0. The allocation is the signal map the fine-tune itself recorded -- per-module gradient variance and activation RMS -- consumed by a role-aware ROI allocator. It was computed over the Thinker and applied to the full model, which is why the other two stages are still bf16.

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
Qwen3OmniMoeForConditionalGeneration
Ревизия весов
03b7a3d

0 моделей