/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
31 ГБ
Лицензия
Apache 2.0
Архитектура
alm2vec · dense
Базовая модель
midashenglm-7b-0804-fp32
Опубликована
15 июн 2026

ALM2Vec-FT

ЭмбеддингиТекст → embedding4 профессии

ALM2Vec-FT создаёт направляемые текстовой инструкцией аудиоэмбеддинги для поиска и сопоставления аудио и текста.

147скачиваний за 30 дней1лайквеса обновлены2 июл 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

ALM2Vec-FT — дообученная модель эмбеддингов аудио, разработанная на базе MiDashengLM-7B-0804-fp32. Она преобразует аудио и текст в общее векторное пространство для поиска и сопоставления; запрос на естественном языке позволяет направлять представление аудио на нужный аспект звучания.

Модель предназначена для двустороннего поиска аудио по тексту и текста по аудио, поиска по речи, а также сопоставления аудиозаписи и вопроса с вариантами ответа. В отличие от обычных моделей для сопоставления аудио с описаниями, ALM2Vec-FT ориентирована на разные аудиодомены, типы задач и намерения пользователя. Она принимает аудио и текст и выдаёт эмбеддинги для поиска и ранжирования. В метаданных указан английский язык; размер базовой модели — 7 млрд параметров.

Для работы нужны Transformers версии 4.52 или выше, PyTorch и Safetensors; для аудио не в WAV также требуется Torchaudio. Карточка указывает на необходимость GPU и загрузку весов объёмом около 31 ГБ, а также использование trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск аудиозаписей по текстовому описанию
  • поиск подходящих аудиофрагментов по речи или музыкальному запросу
  • поиск текстовых описаний, соответствующих аудиозаписи
  • сопоставление аудиозаписи с вопросом и вариантами ответа

Ограничения

Для запуска требуются GPU и около 31 ГБ для весов; для не-WAV аудио нужна Torchaudio. Для загрузки модели требуется trust_remote_code=True.

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

ALM2Vec is a universal audio embedding model for retrieval, derived from a pretrained large audio–language model (LALM). Instead of being optimized only for audio–caption matching like conventional contrastive dual-encoders, it transfers the audio understanding, instruction-following, and reasoning abilities of LALMs into a single unified embedding space that works across audio domains, task types, and user intents.

Its key feature is instruction-aware retrieval: a natural-language instruction guides the embedding, so the same audio can be encoded differently for different needs. This supports:

  • Instruction-aware retrieval — focus the embedding on a specific aspect of the audio.
  • Text ↔ audio retrieval — bidirectional matching between audio and text.
  • Audio question answering — match an audio query plus a question against candidate answers.

ALM2Vec achieves competitive results on standard audio and speech retrieval benchmarks while adding these controllable retrieval capabilities. See the project page for interactive demos.

This repository hosts the finetune checkpoint, built on MiDashengLM.

Requirements: transformers>=4.52, torch, safetensors, and torchaudio for non-WAV audio. Requires a GPU (~31GB weights) and trust_remote_code=True.

Example

import torch
from transformers import AutoModel, AutoTokenizer

# switch between pretrain and finetune
repo_id = "cara-ai/ALM2Vec-FT"
# repo_id = "cara-ai/ALM2Vec-PT"

tokenizer = AutoTokenizer.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModel.from_pretrained(repo_id, trust_remote_code=True, torch_dtype=torch.float32).cuda()
model.eval()

QUERY_INSTRUCTION = "Based on the question asked in the text query and context in the audio query, retrieve the relevant text document associated with that question."
DOC_INSTRUCTION = "Represent the user's input."

query_text = ["What is the gender of speaker in this audio?"] * 4

remote_prefix = "https://huggingface.co/cara-ai/ALM2Vec-PT/resolve/main/example/"
query_audio = [remote_prefix + "en_male_music.wav", remote_prefix + "en_male.wav", 
               remote_prefix + "en_female_music.wav", remote_prefix + "en_female.wav"]

doc_text = [
    "male",
    "female",
]

query_embeddings = model.encode(
    text=query_text,
    audio=query_audio,
    task="query",
    instruction=QUERY_INSTRUCTION,
    normalize=True,
    device="cuda",
)
doc_embeddings = model.encode(
    text=doc_text,
    task="document",
    instruction=DOC_INSTRUCTION,
    normalize=True,
    device="cuda",
)

similarity = query_embeddings @ doc_embeddings.T
print(similarity)

similarity = query_embeddings @ query_embeddings.T
print(similarity)

Results

ALM2Vec-FT is the checkpoint hosted in this repository; ALM2Vec-PT is the pretrain variant. In every table, bold marks the best score and underline the second best.

Text–audio retrieval — AudioCaps

MethodT→A R@1T→A R@5T→A R@10A→T R@1A→T R@5A→T R@10
LAION-CLAP36.171.883.946.882.990.7
MS-CLAP15.447.264.532.066.079.2
WavCaps-CLAP-PT39.774.586.151.782.390.6
WavCaps-CLAP-FT42.276.587.154.685.292.4
JINA-Embed.-v520.450.364.423.152.767.2
ALM2Vec-PT40.074.585.943.874.386.5
ALM2Vec-FT43.278.087.855.580.088.2

Text–audio retrieval — Clotho

MethodT→A R@1T→A R@5T→A R@10A→T R@1A→T R@5A→T R@10
LAION-CLAP16.138.351.122.748.560.8
MS-CLAP15.638.951.422.148.962.0
WavCaps-CLAP-PT19.545.258.223.450.963.4
WavCaps-CLAP-FT19.745.759.426.952.664.9
JINA-Embed.-v59.223.935.010.524.734.3
ALM2Vec-PT19.243.455.717.939.452.2
ALM2Vec-FT24.852.965.827.952.766.3

Speech retrieval — LibriSQA

MethodT→S R@1T→S R@5T→S R@10S→T R@1S→T R@5S→T R@10
LAION-CLAP †0.00.10.80.10.20.6
Whisper+BGE83.793.394.985.293.495.3
CLSR85.093.495.085.594.095.6
ALM2Vec-PT43.764.572.811.224.934.1
ALM2Vec-FT84.794.195.886.095.297.2

Audio understanding — MMAU-mini (accuracy)

MethodOverallMusicSoundSpeech
GPT-4o Audio ‡60.863.264.656.3
Gemini 2.5 Pro ‡71.675.171.568.3
Qwen2.5-Omni ‡71.565.978.170.6
Audio Flamingo 3 ‡73.176.966.173.9
ALM2Vec-PT66.362.378.758.0
ALM2Vec-FT63.061.774.852.6

† LAION-CLAP is not trained for speech and effectively fails on LibriSQA; shown for reference. ‡ Generative large audio–language models, listed as reference upper bounds rather than directly comparable retrieval baselines.

Citation

If you find this work useful, please consider citing:

@misc{lu2026alm2veclearningaudioembeddings,
      title={ALM2Vec: Learning Audio Embeddings for Universal Audio Retrieval with Large Audio-Language Models}, 
      author={Fengjie Lu and Chenang Jiang and Jiarui Hai and Helin Wang and Aaron Yee},
      year={2026},
      eprint={2606.30682},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2606.30682}, 
}

Acknowledgement

ALM2Vec is built on MiDashengLM and further trained for universal audio retrieval. We thank MiDashengLM and its underlying Dasheng audio encoder for their open-source contributions.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
ALM2VecModel
Ревизия весов
7589e68

0 моделей