/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
33,5 ГБ
Лицензия
Apache 2.0
Архитектура
midashenglm_spatial · dense
Библиотека
transformers
Опубликована
23 сен 2026

midashenglm-spatial

Генерация текстаТекст → текст

MiDashengLM-Spatial — аудио-языковая модель для общего понимания звуков и анализа пространственных характеристик бинаурального аудио.

50скачиваний за 30 дней2лайкавеса обновлены10 окт 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-Spatial — открытая аудио-языковая модель семейства MiDashengLM, объединяющая общее понимание аудио и пространственное восприятие в одной архитектуре. Модель разработана как расширение MiDashengLM с компонентом Spatial-Dasheng и модулем HSSC, который интегрирует семантическую и пространственную информацию; архитектура в метаданных обозначена как плотная MiDashengLMSpatialModel.

Модель предназначена для анализа аудиозаписей с текстовым запросом: она может интерпретировать звуковые события и их пространственные характеристики, включая направление источника при бинауральной записи. Для пространственного анализа следует подавать стерео-аудио в формате (2, T) перед текстом; моноаудио не содержит направленной информации. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на текстовые вопросы о содержании аудиозаписи
  • распознавание и описание звуковых событий
  • определение направления источника звука в бинауральной записи

Ограничения

Для определения направления источника требуется реальная бинауральная запись; моноаудио не передаёт направленную информацию. Порядок входа обучен так, что аудио должно предшествовать тексту.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

arXiv  HuggingFace Model  Demo Page  GitHub

Overview

MiDashengLM-Spatial, to our knowledge, is the first open-source end-to-end unified audio-language model that supports both general audio understanding and spatial awareness within a single architecture. It extends MiDashengLM with Spatial-Dasheng through a hierarchical semantic-to-spatial conditioning (HSSC) module to separately capture and effectively integrate semantic and spatial audio information. This design enables binaural perception and spatial audio understanding capabilities while preserving general audio understanding capabilities of the base model.

Architecture

Architecture

Installation

pip install torch torchaudio "transformers==4.57.6" einops

Usage

import torch
from transformers import AutoModelForCausalLM, AutoProcessor

model_id = "mispeech/midashenglm-spatial"  # or a local package directory
model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "audio", "path": "example/example.wav"}, 
            # {"type": "audio", "audio": np.random.randn(2, 160000)}, 
            {"type": "text", "text": "Write a general audio caption describing the sound source and its spatial information."},
        ],
    },
]

with torch.no_grad():
    inputs = processor.apply_chat_template(
        messages, tokenize=True, add_generation_prompt=True,
        add_special_tokens=True, return_dict=True,
    ).to(model.device)
    generation = model.generate(**inputs, max_new_tokens=256, do_sample=False)
    print(processor.tokenizer.batch_decode(generation, skip_special_tokens=True))

Put audio before text (the trained order), and feed real binaural (2, T) audio — mono still runs but carries no direction.

Citation

@article{hu2026midashenglmspatial,
      title={MiDashengLM-Spatial: Unifying General Audio Understanding and Spatial Awareness}, 
      author={Jinbo Hu and Hang Su and Lichun Fan and Heinrich Dinkel and Gang Li and Zhanchen Dai and Yiru Zhang and Chang Liu and Peng Wang and Junnan Wu and Jian Luan and Cong Zou and Heng Qu},
      year={2026},
      journal={arXiv preprint arxiv:2610.11156},
}

License

Released under the Apache License 2.0 (see LICENSE), for both research and commercial use.

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
MiDashengLMSpatialModel
Ревизия весов
160ae51

0 моделей