/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
22,4 ГБ
Архитектура
qwen2_5_omni · dense
Базовая модель
Qwen2.5-Omni-7B
Библиотека
transformers
Опубликована
30 мая 2025

Flex-Omni-7B

Генерация аудиоТекст → аудио4 профессии

Flex‑Omni‑7B — дообученная мультимодальная модель для оценки качества результатов, включая речи и аудиоконтента.

110скачиваний за 30 дней2лайкавеса обновлены7 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

Flex‑Omni‑7B — мультимодальная модель-оценщик, разработанная авторами Flex‑Judge на базе Qwen/Qwen2.5‑Omni‑7B. Она предназначена для оценки результатов моделей в задачах с текстом, изображениями и аудио, включая оценивание качества речи и MOS. Подход использует текстовое рассуждение для переноса навыка оценки между модальностями и форматами без большого объёма специализированных размеченных данных.

Модель относится к семейству Qwen2.5-Omni и имеет архитектуру Qwen2_5OmniForConditionalGeneration; веса доступны в формате safetensors. В README указано 11 млрд параметров. Метаданные обозначают основную задачу как text-to-audio, а возможности включают аудиовход и чат. Модель основана на Qwen2.5-Omni-7B, которая поддерживает работу с текстом, изображениями, аудио и видео и может выдавать текстовые и речевые ответы.

Flex‑Omni‑7B предназначена прежде всего для автоматизированного мультимодального оценивания, а не для универсальной генерации контента. В README авторы сообщают о результатах на аудиобенчмарках MOS и оценки речи, но карточка не приводит подробных инструкций по использованию или условий лицензии. Базовая модель — дообучение Qwen/Qwen2.5-Omni-7B; веса в репозитории опубликованы в safetensors.

Сценарии применения

  • оценка естественности синтезированной речи
  • вычисление MOS для аудиозаписей
  • оценивание качества ответов моделей по изображениям
  • сравнение результатов мультимодальных моделей
  • автоматизированное судейство в мультимодальных бенчмарках

Ограничения

README не указывает лицензию и не приводит подробных ограничений применения. Заявленные результаты на аудиобенчмарках описаны без численных показателей в карточке.

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

Model Card for Model ID

Flex-Judge: Text-Only Reasoning Unleashes Zero-Shot Multimodal Evaluators

Flex‑Omni‑7B is an 11B-parameter multimodal evaluator capable of handling not only vision-language tasks but also audio-based evaluations—something traditional VL models cannot do. It inherits the reasoning-by-text paradigm from Flex‑Judge, enabling strong performance across modalities, and even outperforms models like Gemini‑2.0‑Flash on audio benchmarks such as MOS and speech scoring. Unlike vision-language models, Flex‑Omni‑7B unifies vision, language, and audio reasoning within a single framework.

Model Description

  • We propose Flex-Judge, a reasoning-guided multimodal evaluator that leverages minimal textual reasoning data to robustly generalize across multiple modalities and evaluation formats.
  • Our framework highlights reasoning-based text supervision as a powerful, cost-effective alternative to traditional annotation-intensive approaches, substantially advancing scalable, multimodal model-as-a-judge.

Model Sources

Uses

For more comprehensive usage examples and implementation details, please refer to our official repository.

Requirements

pip install git+https://github.com/huggingface/transformers@v4.51.3-Qwen2.5-Omni-preview
pip accelerate
pip install qwen-omni-utils[decord] -U
pip install vllm
pip install datasets

Using vLLM

Here, we recommend using vllm instead of transformers to improve inference speed. The results in our papers are based on the vllm library.

from datasets import load_dataset
from vllm import LLM, SamplingParams

# default: Load the model on the available device(s)
llm = LLM(
    "jongwooko/Flex-Omni-7B",
    tensor_parallel_size=4,
    limit_mm_per_prompt={"image": 1},  # The maximum number to accept
)
sampling_params = SamplingParams(
    max_tokens=4096,
    temperature=0.2,
    top_p=0.95,
)

# Example
example = load_dataset('MMInstruction/VL-RewardBench', split='test')[0]
question, image = example["query"], example["image"]
answer1, answer2 = example["response"]

# System prompt for Flex-Judge
SYSTEM_PROMPT = (
    "You are a helpful assistant. The assistant first performs a detailed, "
    "step-by-step reasoning process in its mind and then provides the user with"
    "the answer. The reasoning process and answer are enclosed within <think> "
    "reasoning process here, explaining each step of your evaluation for both "
    "assistants </think><answer> answer here </answer>. Now the user asks you "
    "to judge the performance of two AI assistants in response to the question. "
    "Score assistants 1-10 (higher=better). Criteria includes helpfulness, "
    "relevance, accuracy, and level of detail. Avoid order, length, style or "
    "other bias. After thinking, when you finally reach a conclusion, clearly "
    "provide your evaluation scores within <answer> </answer> tags, i.e., for "
    "example, <answer>3</answer><answer>5</answer>"
)

instruction = (
    f"<|vision_start|><|IMAGE|><|vision_end|>\n\n[Question]\n{question}\n\n"
    "[Assistant 1's Answer]\n{answer1}\n\n[Assistant 2's Answer]\n{answer2}"
)
prompt = (
    f"<|im_start|>system\n{SYSTEM_PROMPT}<|im_end|>\n"
    f"<|im_start|>user\n{instruction}<|im_end|>\n"
    "<|im_start|>assistant\n<think>\n\n"
)
inputs = {"prompt": prompt, "multi_modal_data": {"image": [image]}}

# Inference: Generation of the output
outputs = llm.generate([inputs], sampling_params=sampling_params)
output_text = outputs[0].outputs[0].text
print (output_text)

Citation

BibTeX:

@article{ko2025flex,
  title={Flex-Judge: Text-Only Reasoning Unleashes Zero-Shot Multimodal Evaluators},
  author={Ko, Jongwoo and Kim, Sungnyun and Cho, Sungwoo and Yun, Se-Young},
  journal={arXiv preprint arXiv:2505.18601},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5OmniForConditionalGeneration
Ревизия весов
9696d7d

0 моделей