/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
midashenglm · dense
Базовая модель
dasheng-0.6B
Опубликована
17 окт 2025

midashenglm-7b-1021-bf16

Генерация текстаТекст → текст3 профессии

Мультимодальная модель MiDashengLM на 7 млрд параметров в BF16 для создания текстовых описаний аудио общего назначения.

475скачиваний за 30 дней3лайкавеса 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-1021-BF16 — модель для создания текстовых описаний аудио общего назначения, опубликованная mispeech. Репозиторий содержит веса BF16; карточка рекомендует их для обычного инференса и дообучения и указывает, что они обеспечивают качество, сопоставимое с FP32, при более высокой скорости на современных GPU.

Модель предназначена для преобразования аудио в текстовое описание. В основе — плотная архитектура MiDashengLMModel; базовые модели каталога указаны как mispeech/dasheng-0.6B и Qwen/Qwen2.5-Omni-7B, со связями merge. Метаданные также отмечают дообучение Qwen/Qwen2.5-Omni-7B. Карточка перечисляет английский, китайский, тайский, индонезийский и вьетнамский языки. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Карточка позиционирует модель как captioner общего назначения и сообщает о сопоставимом с FP32 качестве BF16-варианта, но не приводит подробных результатов оценки. Для инференса с заявленным преимуществом скорости рекомендуются современные GPU; веса рассчитаны на использование через Transformers с trust_remote_code.

Сценарии применения

  • создание текстовой подписи к аудиозаписи
  • краткое описание звуковой сцены
  • описание аудиофрагментов для каталога медиа
  • подготовка текстовых описаний аудио для поиска и индексации

Ограничения

В карточке нет подробных оценок качества или описания ограничений по типам аудиовхода. Для заявленного преимущества скорости на BF16 требуются современные GPU.

Для каких профессий подходит3

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-1021 (BF16) - A general audio captioner

The bfloat16 (bf16) weights for mispeech/midashenglm-7b-1021-fp32.

Recommended for most general-purpose scenarios, including inference and fine-tuning. It delivers quality comparable to FP32 while being significantly faster on modern GPUs (e.g., A100, H100, RTX 4090). The original fp32 model is only for strict numerical reproduction of benchmark results.

Usage

Load Model

from transformers import AutoModelForCausalLM, AutoProcessor, AutoTokenizer

model_id = "mispeech/midashenglm-7b-1021-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."]

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
f7b0fdb

0 моделей