/ Модель

Характеристики

Контекст
131 072 токена
Параметры
9,1 млрд
Размер весов
18,1 ГБ
Лицензия
Apache 2.0
Архитектура
moss_music · dense
Базовая модель
MOSS-Music-8B-Instruct
Опубликована
4 окт 2026

STEMMA-MOSS-Music

Распознавание речиАудио, текст → текст

Дообученная аудио-языковая модель для анализа музыкальных записей и ответов на вопросы о вокале, звучании и структуре.

22скачиваний за 30 дней0лайковвеса обновлены4 окт 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

STEMMA-MOSS-Music — модель, дообученная на основе OpenMOSS-Team/MOSS-Music-8B-Instruct. Она принимает аудио и текстовые запросы и формирует текстовые ответы о музыкальной записи. Вариант обучен на данных STEMMA для задач MultiQA с разрешением кореференции и связей; аудиоэнкодер заморожен. В репозитории находятся полные веса BF16 и код инференса на Transformers/PyTorch, а не LoRA-адаптер.

Модель рассчитана на анализ музыкальных записей и ответы на вопросы о вокале, звучании, структуре и музыкальных характеристиках. Контекст составляет 40 960 токенов. Для обработки аудио используются независимые фрагменты примерно по четыре секунды с сохранением короткого остатка и исходного порядка фрагментов.

В README описана проверка корректности энкодера и инференса, но отдельно отмечено, что это не воспроизведение результатов статьи; в одном примере разобранный ответ отличался от результата vLLM. Пакет не поддерживает штатный запуск через vLLM. Лицензия — Apache-2.0; для условий upstream-компонентов также указано ознакомиться с NOTICE и соответствующей лицензией.

Сценарии применения

  • ответы на вопросы о содержании музыкальной записи
  • анализ звучания и музыкальных характеристик аудио
  • определение структуры музыкального фрагмента по запросу
  • разрешение кореференции в вопросах о музыкальном аудио

Ограничения

Это не воспроизведение оценок статьи; в описанном примере один разобранный ответ отличался от результата vLLM. Штатный запуск через vLLM не поддерживается.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

STEMMA-MOSS-Music

Paper-final MOSS-Music + STEMMA-Instruct: V7 coreference + relation MultiQA 1x (no fullsong/block component), frozen audio encoder, global batch 128, one epoch, LR 1e-5. Final step 245; base revision fce7f8304e96cc2d3398b8106456cbb2ecec3139. Four BF16 weight shards are at the repository root and indexed by model.safetensors.index.json.

Status: isolated installation, 17 CPU tests and 24 full-checkpoint B200 requests passed. Final/DeepStack outputs exactly match the pinned official encoder in FP32 and BF16 on identical mel/weights. Input tokens match sealed evaluation records; one parsed answer differs from vLLM in this sample. See VALIDATION.md. This is not paper score reproduction. This repository contains complete fine-tuned weights and editable native Transformers/PyTorch inference code, not a LoRA adapter.

Minimal use and editable features

python -m pip install -r requirements.txt
python examples/generate.py --model . --audio a.wav b.wav
python examples/embeddings.py --model . --audio a.wav b.wav
from stemma import Request, load_model
session = load_model(".")
batch = session.prepare([Request("Audio A: <audio>\nAudio B: <audio>\nCompare.", ["a.wav", "b.wav"])])
features = session.extract_audio_embeddings(batch)
contextual = session.extract_contextual_embeddings(batch, layers=(-1,))
answers = session.generate([Request("Compare these sources.", ["a.wav", "b.wav"])])

The source package includes the pinned MOSS model/processor/config. Use stemma.load_model, not a bare AutoModel guess or an external base cache. Resolve and record an explicit HF revision before snapshot_download, then pass the downloaded local directory to the loader. All required inference assets are local.

from huggingface_hub import HfApi, snapshot_download
import sys

repo = "hoyso48/STEMMA-MOSS-Music"
revision = HfApi().model_info(repo).sha  # Record this commit for reproduction.
folder = snapshot_download(repo, revision=revision)
sys.path.insert(0, folder)  # The downloaded repository includes the stemma code.
from stemma import load_model
session = load_model(folder)

See API.md and core docstrings for tensor shapes and ordinary forward-hook/grad access. The encoder uses official_chunked_400_v1: full-source mel followed by 400-frame (~4-second) independent chunks, reset positions, masked padding and retained short tails. conv_chunksize=64 is a processing batch, not duration. Final and three DeepStack streams are regrouped into original source/sample order. The deterministic nonpersistent sinusoid buffer is regenerated. Source time markers remain separate from chunk positions. Context is 40,960 tokens.

No evaluation audio/dataset, optimizer, RNG or training pickle is distributed. Read NOTICE.md and licenses/Apache-2.0.txt for upstream terms and local changes; new wrapper/example code is also Apache-2.0 (LICENSE). Stock vLLM serving is not supported by this package; the paper's patched backend is described in API.md. release_info.json, provenance.json and checksums.json identify staged assets.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура moss_music неизвестна transformers в образе рантайма.

Класс архитектуры
MossMusicModel
Ревизия весов
5750492

0 моделей