/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,3 млрд
Лицензия
Llama 3.2
Архитектура
llama · dense
Базовая модель
Llama-3.2-1B
Библиотека
transformers
Опубликована
30 окт 2025

MIDI-LLM_Llama-3.2-1B

Генерация текстаТекст → текст3 профессии

MIDI-LLM — дообученная на базе Llama 3.2 модель, которая превращает текстовые описания музыкальных идей в MIDI-композиции.

6 711скачиваний за 30 дней37лайковвеса обновлены27 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

MIDI-LLM — исследовательская модель для генерации музыки в формате MIDI по текстовому описанию, разработанная Shih-Lun Wu, Dave Carlton, Ryan Mikayawa, Yoon Kim, Chris Donahue и Cheng-Zhi Anna Huang при участии MIT, Hooktheory и CMU. Она основана на Llama 3.2 1B и дообучена для работы с текстом и MIDI-последовательностями; архитектура — LlamaForCausalLM с расширенным слоем эмбеддингов.

Модель содержит около 1,3 млрд параметров по метаданным (в README приводится 1,4–1,47 млрд), использует словарь из 183 286 токенов, включая 55 030 токенов для MIDI-событий: времени начала нот, их длительности и сочетаний инструмента с высотой ноты. Принимая текстовое описание композиции, она генерирует MIDI-токены. Обучение включало музыкальные тексты, MIDI-файлы и пары MIDI с текстовыми описаниями; длина обучающих последовательностей составляла 2 048 токенов. Метаданные указывают нативный контекст 131 072 токена, но это значение отличается от длины последовательностей при обучении.

Модель предназначена для создания музыкальных набросков и MIDI-композиций по текстовому запросу. Она оценивалась метриками FAD и CLAP на примерах LakhMIDI. Для использования нужны совместимый код и настройка инференса, описанные в связанном проекте. Модель распространяется по лицензии Llama 3.2 Community License; применяются её условия.

Сценарии применения

  • генерация MIDI-композиции по текстовому описанию
  • создание музыкального наброска по заданному настроению или стилю
  • преобразование идеи композиции в последовательность нот и инструментов

Ограничения

Модель ориентирована на генерацию MIDI-токенов, а не готового аудиосигнала; для получения звучащего аудио потребуется отдельный синтезатор. README указывает обучающую длину последовательностей 2 048 токенов, поэтому заявленный в метаданных контекст 131 072 токена не следует считать подтверждённой длиной генерации для музыкальных задач.

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

MIDI-LLM

Built on Llama 3.2 (1B) with an extended vocabulary for MIDI tokens.

Research Paper

  • Shih-Lun Wu, Dave Carlton, Ryan Mikayawa, Yoon Kim, Chris Donahue*, and Cheng-Zhi Anna Huang*.
    "MIDI-LLM: Improving text-to-MIDI music generation via adapting large language models."
    International Society for Music Information Retrieval Conference (ISMIR), 2026.
    MIT, Hooktheory, CMU
    [Code] [Live Demo] [Paper] [Video]

Model Description

  • Base Model: meta-llama/Llama-3.2-1B
  • Model Size: 1.4B parameters
  • Extended Vocabulary: 183,286 tokens (128,256 for text + 55,030 for MIDI music)
  • Architecture: LlamaForCausalLM with extended embedding layer
  • Precision: BFloat16

Quick Start

Clone our Github code repo, run through setup steps, and try:

git clone https://github.com/slSeanWU/MIDI-LLM
cd MIDI-LLM

python generate_transformers.py \
    --model slseanwu/MIDI-LLM_Llama-3.2-1B \
    --prompt "A cheerful rock song with bright electric guitars" \
    --n_outputs 4

The repo and inference scripts provide a more complete usage guide.

Model Details

Extended Vocabulary

The model extends Llama 3.2's vocabulary (128,256 tokens) with 55,030 MIDI tokens representing:

  • Onset time (when notes occur)
  • Durations (how long each note is held)
  • Instrument-pitch pair (which note to play & by which instrument)

These tokens follow the vocabulary of Anticipatory Music Transformer (AMT) (Thickstun et al., TMLR 2024).

Training Data

  • Datasets:
    • Continued Pretraining (CPT)
      • music-related text from MusicPile (~1.7B tokens)
      • standalone MIDIs from GigaMIDI (~1.4B tokens after filtering out SFT examples)
    • Supervised Finetuning (SFT)
      • LakhMIDI music paired w/ MidiCaps text descriptions (~5B tokens with AMT infilling augmentation)
  • Training objective: Causal language modeling
  • Training sequence length: 2,048
  • System prompt: You are a world-class composer. Please compose some music according to the following description: [your input text]

Inference Hyperparameters

Recommended settings for best results:

temperature: 1.0
top_p: 0.98
max_tokens: 2046

Evaluation

This model checkpoint was evaluated with FAD and CLAP metrics on 896 LakhMIDI examples whose IDs can be found in our repo

Citation

If you find our model useful, please cite our research as

@inproceedings{wu2026midillm,
  title={{MIDI-LLM}: Improving text-to-{MIDI} music generation via adapting large language models},
  author={Wu, Shih-Lun and Carlton, Dave and Mikayawa, Ryan and Kim, Yoon and Donahue, Chris and Huang, Cheng-Zhi Anna},
  booktitle={Proc. Int. Soc. for Music Information Retrieval Conference (ISMIR)},
  year={2026}
}

License

This model is based on Llama 3.2 and is subject to the Llama 3.2 Community License.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
8b82ab9

0 моделей