/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Размер весов
18,7 ГБ
Лицензия
Apache 2.0
Архитектура
minicpmo · dense
Базовая модель
MiniCPM-o-4_5
Библиотека
transformers
Опубликована
27 июл 2026

JoyFox-OmniFlow-9B

Генерация текстаТекст → текст15 профессий

Мультимодальная модель JoyFox для диалога, анализа изображений и аудио, генерации речи и потокового взаимодействия в режиме full-duplex.

38скачиваний за 30 дней2лайкавеса обновлены27 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

JoyFox-OmniFlow-9B — мультимодальная модель общего назначения от JoyFox на основе OpenBMB MiniCPM-o 4.5. Она поддерживает диалог на английском, китайском и других языках, выполнение инструкций, ответы на сложные вопросы, математические рассуждения, генерацию кода, ролевые сценарии и вызов инструментов. Модель принимает текст, изображения, видеокадры и аудио, а также поддерживает потоковое взаимодействие в режиме full-duplex с одновременным аудио- и визуальным вводом и текстовым или речевым выводом.

Архитектура MiniCPMO включает языковую модель, визуальный и аудиоэнкодеры, мультимодальные проекционные слои и модуль синтеза речи. В README указан размер 9B, а метаданные сообщают 7,6 млрд параметров; контекст — до 40 960 токенов. Релиз распространяется в BF16 Safetensors и включает ресурсы для TTS и клонирования голоса по образцу аудио. Для полной потоковой генерации речи требуются дополнительные зависимости minicpmo-utils[all].

Модель загружается через Transformers; в README описана проверка полной загрузки на GPU NVIDIA RTX PRO 6000 Blackwell. Независимые внешние результаты бенчмарков не приведены; качество потокового взаимодействия зависит от конфигурации аудио и видео и среды выполнения. Возможны неточные, предвзятые или неподходящие ответы, а схемы и аргументы вызова инструментов требуют проверки. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на сложные вопросы по тексту, изображениям и аудио
  • анализ видеопотока в диалоговом помощнике
  • генерация кода и решение математических задач
  • создание голосового помощника с потоковым диалогом
  • синтез речи и озвучивание персонажа по образцу аудио
  • вызов инструментов в агентных сценариях

Ограничения

Независимые внешние результаты бенчмарков не приведены; модель может выдавать неточные, предвзятые или неподходящие ответы. Качество потокового режима зависит от настроек аудио, видео и среды выполнения, а для полной потоковой генерации речи нужны дополнительные зависимости.

Для каких профессий подходит15

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

JoyFox-OmniFlow-9B

JoyFox-OmniFlow-9B is a general-purpose, full-duplex multimodal model built on OpenBMB MiniCPM-o 4.5.

The model is designed for:

  • English, Chinese, and multilingual conversations;
  • instruction following and complex question answering;
  • mathematical reasoning and code generation;
  • knowledge-intensive and long-form responses;
  • role-play, character-driven dialogue, and natural conversation;
  • agent workflows and tool-calling formats;
  • real-time vision, audio, text, and speech interaction.

JoyFox-OmniFlow-9B is distributed as a complete BF16 Safetensors model that can be loaded directly with Hugging Face Transformers. The release includes the language model, vision encoder, audio encoder, multimodal projection layers, TTS module, voice-cloning support, token-to-waveform resources, and full-duplex streaming components.

Highlights

  • Complete full-duplex model: supports concurrent visual/audio input and text/speech output.
  • Integrated TTS: includes speech generation weights, token2wav resources, and reference audio assets.
  • Broad language capabilities: covers general instruction following, math, code, multilingual dialogue, role-play, and tool use.
  • Omni-modal interaction: combines language, vision, audio, multimodal projection, and streaming session modules.
  • Voice cloning and character voices: supports reference-audio-driven speech generation.
  • Ready for GPU inference: fully validated on an NVIDIA RTX PRO 6000 Blackwell GPU.
  • Standard Transformers package: no additional model-weight package is required at load time.

Capability Overview

ComponentCapability
Language modelGeneral dialogue, knowledge, instruction following, math, code, and role-play
Vision moduleImage, video-frame, and continuous visual-stream understanding
Audio moduleSpeech, environmental audio, and continuous audio-stream understanding
Multimodal projectionAlignment of language, vision, and audio representations
TTSNatural text-to-speech generation
token2wavDecoding speech tokens into waveform audio
Full-duplex streamingSimultaneous seeing, listening, reasoning, and speaking
Voice cloningReference-audio-based voice control

Model Package

ItemValue
Model classMiniCPMO
Model familyMiniCPM-o 4.5
Weight precisionBF16
Total parameters9,371,787,666
TTS parameters347,696,290
Weight keys1,414
TTS weight keys194
Safetensors shards5
Total weight size18,743,575,332 bytes
Complete directory sizeApproximately 18.67 GiB
Audio moduleIncluded
Vision moduleIncluded
TTS moduleIncluded
Full-duplex streaming configurationEnabled

Integrity Validation

The released model passed the following checks:

  • all 1,414 model weight keys are readable;
  • all 194 TTS weight tensors are readable;
  • the token2wav runtime assets are present;
  • init_audio=true;
  • init_vision=true;
  • init_tts=true;
  • stream_input=true;
  • zero missing keys during a complete Transformers load;
  • zero unexpected keys during a complete Transformers load;
  • zero mismatched keys during a complete Transformers load.

GPU Load Validation

The complete BF16 model was successfully loaded on an NVIDIA RTX PRO 6000 Blackwell Server Edition:

  • llm: CUDA
  • vpm: CUDA
  • apm: CUDA
  • tts: CUDA
  • audio_projection_layer: CUDA
  • resampler: CUDA
  • model-weight VRAM usage: approximately 17.56 GiB

The VRAM figure above primarily reflects model weights and small framework overhead. Full-duplex inference requires additional memory for the KV cache, video frames, audio buffers, and token2wav.

Installation

For text, image, or audio-understanding inference:

pip install "transformers==4.51.0" accelerate \
  "torch>=2.3.0,<=2.8.0" "torchaudio<=2.8.0" \
  "minicpmo-utils>=1.0.5"

For TTS or full-duplex streaming inference:

pip install "transformers==4.51.0" accelerate \
  "torch>=2.3.0,<=2.8.0" "torchaudio<=2.8.0" \
  "minicpmo-utils[all]>=1.0.5"

FFmpeg is also required for full-duplex video processing:

sudo apt update
sudo apt install -y ffmpeg

The model structure was also validated locally with transformers==4.57.0 and torch==2.11.0+cu130. For production full-duplex use, the MiniCPM-o 4.5 officially recommended dependency versions are preferred.

GPU Quick Start

import torch
from transformers import AutoModel, AutoProcessor

model_id = "joyfox/JoyFox-OmniFlow-9B"

model = AutoModel.from_pretrained(
    model_id,
    trust_remote_code=True,
    attn_implementation="sdpa",
    torch_dtype=torch.bfloat16,
    init_vision=True,
    init_audio=True,
    init_tts=True,
)
processor = AutoProcessor.from_pretrained(
    model_id,
    trust_remote_code=True,
)

model.eval().cuda()

Enabling TTS and Full-Duplex Mode

After installing minicpmo-utils[all]:

# Initialize token2wav for speech-token-to-waveform decoding.
model.init_tts()

# Enter full-duplex mode.
duplex_model = model.as_duplex()

# Return to standard half-duplex mode when needed.
model = duplex_model.as_simplex(reset_session=True)

Real-time video/audio chunking, streaming_prefill, streaming_generate, and output-video generation follow the standard MiniCPM-o 4.5 full-duplex API.

Speech Output Example

import librosa
import torch
from huggingface_hub import hf_hub_download

ref_audio_path = hf_hub_download(
    repo_id=model_id,
    filename="assets/HT_ref_audio.wav",
)
ref_audio, _ = librosa.load(ref_audio_path, sr=16000, mono=True)

model.init_tts()
system_message = model.get_sys_prompt(
    ref_audio=ref_audio,
    mode="omni",
    language="en",
)

messages = [
    system_message,
    {
        "role": "user",
        "content": ["Introduce yourself in a natural and concise way."],
    },
]

with torch.inference_mode():
    answer = model.chat(
        msgs=messages,
        do_sample=True,
        temperature=0.7,
        max_new_tokens=1024,
        use_tts_template=True,
        enable_thinking=False,
        omni_mode=True,
        generate_audio=True,
        output_audio_path="output.wav",
    )

print(answer)

Intended Use

JoyFox-OmniFlow-9B is suitable for:

  • general English, Chinese, and multilingual assistants;
  • mathematical, coding, knowledge, and complex instruction tasks;
  • role-play and character-driven dialogue;
  • agent and tool-calling applications;
  • multimodal assistants with visual and audio input;
  • half-duplex conversations with speech output;
  • real-time full-duplex video and audio interaction;
  • reference-audio-based voice cloning and character speech.

Limitations

  • This release does not report independent external benchmark results.
  • Response style depends on the system prompt, chat template, and decoding configuration.
  • Production tool-calling systems should validate schemas, arguments, and execution permissions.
  • The model may produce inaccurate, biased, or inappropriate content; high-risk use cases require human review.
  • Full-duplex quality depends on audio sampling, video chunking, system prompts, reference voices, and runtime implementation.
  • Full-duplex TTS requires the additional runtime dependencies included with minicpmo-utils[all].

License and Acknowledgements

This model is built on MiniCPM-o 4.5 and is subject to the applicable upstream license requirements. The model card declares Apache-2.0 metadata. Before deployment, redistribution, or commercial use, review the original MiniCPM-o 4.5 license and the terms applicable to your intended use.

We thank OpenBMB, LLaMA-Factory, and the open-source community for the model, tooling, and supporting resources used in this project.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
MiniCPMO
Ревизия весов
7c2caef

0 моделей