/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
Apache 2.0
Архитектура
qwen2_audio · dense
Базовая модель
Qwen2-Audio-7B-Instruct
Библиотека
mlx
Опубликована
28 мар 2026

Qwen2-Audio-7B-Instruct-4bit

Языковая модельАудио, текст → текст7 профессий

4-битная аудио-чат-модель Qwen2-Audio-7B для транскрибации, перевода и анализа аудио на устройствах Apple Silicon.

1 752скачиваний за 30 дней3лайкавеса обновлены29 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

mlx-community/Qwen2-Audio-7B-Instruct-4bit — 4-битная версия Qwen2-Audio-7B-Instruct, подготовленная сообществом mlx-community для запуска на компьютерах Apple Silicon с помощью MLX и mlx-audio. Это плотная мультимодальная чат-модель с аудиоэнкодером в стиле Whisper из 32 слоёв, линейным проектором и языковой моделью Qwen2-7B. В 4 бита квантована только языковая модель; энкодер и проектор сохранены в bf16. Размер модели — около 4,2 ГБ вместо примерно 15 ГБ у версии bf16.

Модель принимает аудио и текстовые инструкции, поддерживает распознавание и перевод речи, создание текстовых описаний аудио, анализ эмоций и тональности, классификацию окружающих звуков, понимание музыки и голосовой чат. В README указана скорость генерации около 4,7 токена в секунду на устройствах Apple Silicon серии M; качество транскрипции, по заявлению авторов карточки, соответствует версии на Hugging Face. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • транскрибация записей речи
  • перевод устной речи
  • создание текстовых описаний аудиозаписей
  • определение эмоций и тональности речи
  • классификация окружающих звуков
  • анализ музыкальных записей
  • голосовой чат с аудиовводом

Ограничения

Оптимизирована для Apple Silicon и MLX; заявленная скорость около 4,7 токена в секунду измерена на устройствах серии M. Энкодер и проектор остаются в bf16, поэтому квантование сокращает размер не всех компонентов модели.

Для каких профессий подходит7

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

Qwen2-Audio-7B-Instruct (4-bit MLX)

4-bit quantized version of Qwen/Qwen2-Audio-7B-Instruct for Apple Silicon via mlx-audio.

Usage

from mlx_audio.stt.utils import load_model

model = load_model("mlx-community/Qwen2-Audio-7B-Instruct-4bit")

# Transcription
result = model.generate("audio.wav", prompt="Transcribe the audio.")
print(result.text)

# Audio understanding
result = model.generate("audio.wav", prompt="What emotion is the speaker expressing?")
print(result.text)

# Translation
result = model.generate("audio.wav", prompt="Translate the speech to French.")
print(result.text)

Model Details

  • Base model: Qwen/Qwen2-Audio-7B-Instruct
  • Quantization: 4-bit (group_size=64), LLM only (encoder and projector kept in bf16)
  • Size: ~4.2GB (vs ~15GB bf16)
  • Architecture: Whisper-style encoder (32 layers) + Linear projector + Qwen2-7B LLM

Capabilities

  • Speech transcription (ASR)
  • Speech translation
  • Audio captioning
  • Emotion / sentiment detection
  • Environmental sound classification
  • Music understanding
  • Voice chat (audio-only input)

Performance

Tested on Apple Silicon (M-series):

  • ~4.7 tokens/sec generation (4-bit)
  • Accurate transcription matching HuggingFace reference

Conversion

Converted using mlx-audio with:

  • Audio encoder: bf16 (not quantized)
  • Multi-modal projector: bf16 (not quantized)
  • Language model: 4-bit quantized (group_size=64)

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Qwen2AudioForConditionalGeneration
Ревизия весов
c655700

0 моделей