/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
33,1 ГБ
Лицензия
Apache 2.0
Архитектура
midashenglm · dense
Базовая модель
dasheng-0.6B
Опубликована
26 июн 2025

midashenglm-7b-0804-fp32

Генерация текстаТекст → текст4 профессии

MiDashengLM-7B-0804-fp32 — аудиоязыковая модель для описания звука и музыки, ответов на вопросы об аудио, классификации и распознавания речи.

13 556скачиваний за 30 дней83лайкавеса обновлены17 мар 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

MiDashengLM-7B-0804-fp32 — мультимодальная аудиоязыковая модель для понимания звука и создания текстовых описаний аудио. Модель представлена в репозитории mispeech; по метаданным она объединяет MiDasheng-0.6B и Qwen2.5-Omni-7B и связана с дообучением Qwen2.5-Omni-7B. Архитектура — плотная MiDashengLMModel; веса опубликованы в формате safetensors.

Модель предназначена для описания музыки и звуков, ответов на вопросы об аудио, классификации аудио и паралингвистических признаков, а также распознавания речи. README приводит результаты на наборах MusicCaps, AudioCaps, VoxCeleb1, VoxLingua107 и LibriSpeech. Метаданные указывают поддержку английского, китайского, тайского, индонезийского и вьетнамского языков. Для типичного использования авторы рекомендуют версию BF16; версия FP32 предназначена прежде всего для точного воспроизведения результатов.

Лицензия — Apache-2.0. Приведённые результаты показывают, что качество зависит от задачи и набора данных: в таблицах распознавания речи модель уступает некоторым сравниваемым системам, а на отдельных задачах классификации и вопросов об аудио не лидирует. README не сообщает длину контекста.

Сценарии применения

  • создание текстовых описаний музыкальных записей
  • описание звуков окружающей среды
  • ответы на вопросы о содержании аудиозаписи
  • классификация аудио и голосовых характеристик
  • распознавание речи в аудиозаписях

Ограничения

Для обычного применения авторы рекомендуют BF16-вариант, а FP32 — для точного воспроизведения результатов. По приведённым в README тестам качество распознавания речи и некоторых задач вопросов-ответов ниже, чем у отдельных сравниваемых моделей.

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

MiDashengLM-7B-0804 - A general audio captioner

MiDashengLM is an efficient audio-language model that achieves holistic audio understanding through caption-based alignment. It achieves state-of-the-art performance on multiple audio understanding benchmarks while maintaining high inference efficiency—delivering 3.2× throughput speedup and supporting batch sizes up to 512.

📖 For more detailed introduction and technical report, please visit our GitHub repository.

Note that for most applications, we strongly recommend using the BF16 version (mispeech/midashenglm-7b-0804-bf16) for optimal performance and efficiency.

Usage

Load Model

from transformers import AutoModelForCausalLM, AutoProcessor, AutoTokenizer

model_id = "mispeech/midashenglm-7b-0804-fp32"  # Only for exact reproduction; otherwise strongly recommend "mispeech/midashenglm-7b-0804-bf16"
model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

Construct Prompt

user_prompt = "Caption the audio."  # You may try any other prompt

messages = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": user_prompt},
            {
                "type": "audio",
                "path": "/path/to/example.wav",
                # or "url": "https://example.com/example.wav"
                # or "audio": np.random.randn(16000)
            },
        ],
    },
]

Generate Output

import torch

with torch.no_grad():
    model_inputs = processor.apply_chat_template(
        messages,
        tokenize=True,
        add_generation_prompt=True,
        add_special_tokens=True,
        return_dict=True,
    ).to(device=model.device, dtype=model.dtype)
    generation = model.generate(**model_inputs)
    output = tokenizer.batch_decode(generation, skip_special_tokens=True)  # ["An engine is idling."]

Results

The following evaluation results are based on the model version: mispeech/midashenglm-7b-0804-fp32.

Audio Captioning Results

DomainDatasetMiDashengLMQwen2.5-Omni-7BKimi-Audio-Instruct
MusicMusicCaps59.7143.7135.43
MusicSongdescriber45.3945.3144.63
SoundAudioCaps62.1860.7949.00
SoundClothoV249.2047.5548.01
SoundAutoACD66.5255.9344.76

Metrics: FENSE (higher is better).

Audio and Paralinguistic Classification

DatasetMetricMiDashengLMQwen2.5-Omni-7BKimi-Audio-Instruct
VoxCeleb1ACC↑92.3659.7182.72
VoxLingua107ACC↑93.4151.0373.65
VoxCeleb-GenderACC↑96.1299.8299.69
VGGSoundACC↑52.110.972.20
CochlsceneACC↑74.0623.8818.34
NSynthACC↑80.5260.4538.09
FMAACC↑63.7366.7727.91
FSDKaggle2018ACC↑75.2531.3824.75
AudioSetmAP↑8.866.483.47
FSD50KmAP↑37.5823.8727.23

ASR Performance

DatasetLanguageMiDashengLMQwen2.5-Omni-7BKimi-Audio-Instruct
LibriSpeech test-cleanEnglish3.71.71.3
LibriSpeech test-otherEnglish6.23.42.4
People's SpeechEnglish27.828.622.3
AISHELL2 MicChinese3.22.52.7
AISHELL2 iOSChinese2.92.62.6
AISHELL2 AndroidChinese3.12.72.6
GigaSpeech2Indonesian20.821.2>100
GigaSpeech2Thai36.953.8>100
GigaSpeech2Viet18.118.6>100

Metrics: WER/CER (lower is better).

Question Answering Results

DatasetSubsetMetricMiDashengLMQwen2.5-Omni-7BKimi-Audio-Instruct
MuChoMusicACC↑71.3564.7967.40
MMAUSoundACC↑68.4767.8774.17
MMAUMusicACC↑66.7769.1661.08
MMAUSpeechACC↑63.6659.7657.66
MMAUAverageACC↑66.3065.6064.30
MusicQAFENSE↑62.3560.6040.00
AudioCaps-QAFENSE↑54.3153.2847.34

Metrics: Higher is better.

Citation

MiDashengLM is under the Apache License 2.0, and we encourage its use in both research and business applications.

If you find MiDashengLM useful in your research, please consider citing our work:

@techreport{midashenglm7b,
  title      = {MiDashengLM: Efficient Audio Understanding with General Audio Captions},
  author     = {{Horizon Team, MiLM Plus}},
  institution= {Xiaomi Inc.},
  year       = {2025},
  note       = {Contributors: Heinrich Dinkel et al. (listed alphabetically in Appendix B)},
  url        = {https://arxiv.org/abs/2508.03983},
  eprint     = {2508.03983},
}

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
MiDashengLMModel
Ревизия весов
64d40b7

0 моделей