/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
dasheng-0.6B
Опубликована
9 апр 2026

midashenglm-7b-1021-gguf

Распознавание речиАудио, текст → текст3 профессии

MiDashengLM-7B-1021-GGUF — аудиоязыковая модель для анализа аудио, распознавания речи и ответов на вопросы по звуковым данным.

846скачиваний за 30 дней3лайкавеса обновлены16 апр 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-GGUF — аудиоязыковая модель MiSpeech, представленная в виде GGUF-сборок для локального запуска. Это производная модель, связанная с Qwen/Qwen2.5-Omni-7B и mispeech/dasheng-0.6B; README указывает на fp32-версию как источник конвертированных GGUF-файлов. Модель принимает аудио и текстовые инструкции и формирует текстовые ответы в диалоге.

Модель предназначена для описания аудио, распознавания речи, классификации звуков и паралингвистических признаков, а также ответов на вопросы по аудио. В README приведены результаты на тестах музыкальных и звуковых подписей, ASR, классификации и аудиовопросов. Доступны варианты GGUF в точностях от BF16 и F32 до низкобитных квантований. Для запуска требуется форк llama.cpp разработчиков; лицензия репозитория — Apache-2.0.

Сценарии применения

  • создание текстовых описаний музыки и окружающих звуков
  • распознавание речи из аудиозаписей
  • классификация звуковых и речевых характеристик
  • ответы на вопросы по аудиозаписи
  • локальный диалоговый анализ аудио

Ограничения

Для запуска требуется специальный форк llama.cpp. Качество зависит от выбранной GGUF-квантизации; результаты на ASR и части тестов аудиовопросов уступают сравниваемым моделям.

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 (GGUF)

This repository contains the GGUF versions of mispeech/midashenglm-7b-1021-fp32. Can be used with llama.cpp for efficient local inference.

Usage

[!IMPORTANT] This model currently requires our llama.cpp fork to run. See the build instructions to get started.

One-shot inference

llama-cli --model backbone-bf16.gguf --mmproj mmproj-f32.gguf \
  --reasoning off --temp 0 --audio audio.wav \
  --prompt 'Write a detailed caption.' \
  --single-turn --display-prompt

Interactive mode

llama-cli --model backbone-bf16.gguf --mmproj mmproj-f32.gguf \
  --reasoning off --temp 0

For more CLI options, see the CLI documentation.

OpenAI/Anthropic-compatible API server

llama-server --model backbone-bf16.gguf --mmproj mmproj-f32.gguf

For more server options, see the server documentation.

Results

The following evaluation results are based on the model version: mispeech/midashenglm-7b-1021-fp32.

Audio Captioning Results

DomainDatasetMiDashengLMQwen2.5-Omni-7BKimi-Audio-Instruct
MusicMusicCaps59.1143.7135.43
MusicSongdescriber46.4245.3144.63
SoundAudioCaps62.1360.7949.00
SoundClothoV249.3547.5548.01
SoundAutoACD67.1355.9344.76

Metrics: FENSE (higher is better).

Audio and Paralinguistic Classification

DatasetMetricMiDashengLMQwen2.5-Omni-7BKimi-Audio-Instruct
VoxCeleb1ACC↑92.6659.7182.72
VoxLingua107ACC↑93.7251.0373.65
VoxCeleb-GenderACC↑97.7299.8299.69
VGGSoundACC↑52.190.972.20
CochlsceneACC↑75.8123.8818.34
NSynthACC↑80.3260.4538.09
FMAACC↑62.9466.7727.91
FSDKaggle2018ACC↑73.3831.3824.75
AudioSetmAP↑9.906.483.47
FSD50KmAP↑38.1023.8727.23

ASR Performance

DatasetLanguageMiDashengLMQwen2.5-Omni-7BKimi-Audio-Instruct
LibriSpeech test-cleanEnglish3.61.71.3
LibriSpeech test-otherEnglish5.93.42.4
People's SpeechEnglish26.1228.622.3
AISHELL2 MicChinese3.22.52.7
AISHELL2 iOSChinese2.92.62.6
AISHELL2 AndroidChinese3.12.72.6
GigaSpeech2Indonesian22.321.2>100
GigaSpeech2Thai38.453.8>100
GigaSpeech2Viet17.718.6>100

Metrics: WER/CER (lower is better).

Question Answering Results

DatasetSubsetMetricMiDashengLMQwen2.5-Omni-7BKimi-Audio-Instruct
MMAU-ProIFACC↑37.9361.3042.30
MMAU-ProMulti-AudioACC↑42.3324.3017.20
MMAU-ProMusicACC↑62.2061.5057.60
MMAU-ProOpen-endedACC↑63.2152.3034.50
MMAU-ProSoundACC↑58.3647.6046.00
MMAU-ProSound–MusicACC↑42.0040.0046.00
MMAU-ProSound–Music–SpeechACC↑71.4328.5042.80
MMAU-ProSpatialACC↑18.7741.2043.70
MMAU-ProSpeechACC↑61.1757.4052.20
MMAU-ProSpeech–MusicACC↑58.7053.2054.30
MMAU-ProSpeech–SoundACC↑51.1460.2048.90
MMAU-ProVoiceACC↑54.8360.0050.60
MMAU-ProAverageACC↑55.9252.2046.60
MMAU-v05.15.25SoundACC↑77.4878.1075.68
MMAU-v05.15.25MusicACC↑70.9665.9066.77
MMAU-v05.15.25SpeechACC↑76.2870.6062.16
MMAU-v05.15.25AverageACC↑74.9071.5068.20
MuChoMusicACC↑73.0464.7967.40
MusicQAFENSE↑61.5660.6040.00
AudioCaps-QAFENSE↑54.2053.2847.34

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

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
52bee40

0 моделей