/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
1 авг 2025

audio-flamingo-2-SoundCoT

Распознавание речиАудио, текст → текст

Audio Flamingo 2 Sound-CoT — дообученная аудиоязыковая модель NVIDIA для рассуждений о звуках и ответов на вопросы по аудиозаписям.

0скачиваний за 30 дней11лайковвеса обновлены28 авг 2025

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

Audio Flamingo 2 Sound-CoT — аудиоязыковая модель NVIDIA объёмом 3 млрд параметров, дообученная на основе Audio Flamingo 2 для рассуждений о звуках. Она принимает аудио и текстовый вопрос и формирует текстовый ответ; для вывода цепочки рассуждений используется специальная инструкция в запросе. Модель предназначена для понимания звуковых сцен, ответов на вопросы по аудио и выбора между близкими вариантами.

По отчёту разработчиков, она показывает сильные результаты на тестах рассуждений о звуках и сопоставима с некоторыми моделями рассуждений размером 7 млрд параметров; для обучения использовались общедоступные данные. В репозитории представлены веса Safetensors. Лицензия указана как other, поэтому условия использования следует проверять по карточке модели и связанным материалам NVIDIA.

Сценарии применения

  • ответы на вопросы о содержании аудиозаписи
  • определение источника звука по записи
  • различение похожих звуковых событий
  • выбор правильного варианта в тесте на понимание звука

Ограничения

Для ответов с цепочкой рассуждений требуется добавить специальную инструкцию к запросу. Указана лицензия other, поэтому условия использования нужно уточнить в карточке модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PyTorch Implementation of Audio Flamingo Sound-CoT

Zhifeng Kong, Arushi Goel, João Felipe Santos, Sreyan Ghosh, Rafael Valle, Wei Ping, Bryan Catanzaro

[paper] [GitHub]

This repo contains the PyTorch implementation of Audio Flamingo Sound-CoT Technical Report: Improving Chain-of-Thought Reasoning in Sound Understanding. Audio Flamingo 2 Sound-CoT (3B) has significant improvements on the chain-of-thought (CoT) reasoning abilities and is comparable to several 7B reasoning baselines on reasoning benchmarks. It is finetuned from our previous Audio Flamingo 2.

  • We introduce AF-Reasoning-Eval, a sound reasoning benchmark targeting common-sense reasoning and the ability to discriminate among closely related choices.

  • We introduce AF-CoT-Train with about 1M CoT reasoning traces to advance the field of audio understanding.

  • Audio Flamingo 2 Sound-CoT shows strong reasoning abilities on several sound reasoning benchmarks, despite being small (3B) and trained exclusively on public datasets.

Usage

The inference script is almost the same as Audio Flamingo 2. The only difference is to add a special prompt (Output the answer with <SUMMARY>, <CAPTION>, <REASONING>, and <CONCLUSION> tags.) after the input question. For instance, in Audio Flamingo 2, the input is

Based on the given audio, identify the source of the church bells. Choose the correct option from the following options:\n(A) Church\n(B) School\n(C) Clock Tower\n(D) Fire Station.

In Audio Flamingo 2 Sound-CoT, the input is

Based on the given audio, identify the source of the church bells. Choose the correct option from the following options:\n(A) Church\n(B) School\n(C) Clock Tower\n(D) Fire Station. Output the answer with <SUMMARY>, <CAPTION>, <REASONING>, and <CONCLUSION> tags.

License

  • The code in this repo is under MIT license.
  • The checkpoints are for non-commercial use only (see NVIDIA OneWay Noncommercial License). They are also subject to the Qwen Research license, the Terms of Use of the data generated by OpenAI, and the original licenses accompanying each training dataset.
  • Notice: Audio Flamingo 2 Sound-CoT is built with Qwen-2.5. Qwen is licensed under the Qwen RESEARCH LICENSE AGREEMENT, Copyright (c) Alibaba Cloud. All Rights Reserved.

Citation

  • Audio Flamingo Sound-CoT
@article{kong2025audio,
  title={Audio Flamingo Sound-CoT Technical Report: Improving Chain-of-Thought Reasoning in Sound Understanding},
  author={Kong, Zhifeng and Goel, Arushi and Santos, Joao Felipe and Ghosh, Sreyan and Valle, Rafael and Ping, Wei and Catanzaro, Bryan},
  journal={arXiv preprint arXiv:2508.11818},
  year={2025}
}
  • Audio Flamingo 3
@article{goel2025audio,
  title={Audio Flamingo 3: Advancing Audio Intelligence with Fully Open Large Audio Language Models},
  author={Goel, Arushi and Ghosh, Sreyan and Kim, Jaehyeon and Kumar, Sonal and Kong, Zhifeng and Lee, Sang-gil and Yang, Chao-Han Huck and Duraiswami, Ramani and Manocha, Dinesh and Valle, Rafael and Catanzaro, Bryan},
  journal={arXiv preprint arXiv:2507.08128},
  year={2025}
}
  • Audio Flamingo 2
@inproceedings{
  ghosh2025audio,
  title={Audio Flamingo 2: An Audio-Language Model with Long-Audio Understanding and Expert Reasoning Abilities},
  author={Ghosh, Sreyan and Kong, Zhifeng and Kumar, Sonal and Sakshi, S and Kim, Jaehyeon and Ping, Wei and Valle, Rafael and Manocha, Dinesh and Catanzaro, Bryan},
  booktitle={Forty-second International Conference on Machine Learning},
  year={2025},
  url={https://openreview.net/forum?id=xWu5qpDK6U}
}
  • Audio Flamingo
@inproceedings{kong2024audio,
  title={Audio Flamingo: A Novel Audio Language Model with Few-Shot Learning and Dialogue Abilities},
  author={Kong, Zhifeng and Goel, Arushi and Badlani, Rohan and Ping, Wei and Valle, Rafael and Catanzaro, Bryan},
  booktitle={International Conference on Machine Learning},
  pages={25125--25148},
  year={2024},
  organization={PMLR}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
e9b72ae

0 моделей