/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
22 июн 2026

omnistep-new

Генерация текстаТекст → текст5 профессий

OmniStep-new — объединённая мультимодальная модель для диалогов, понимания изображений и видео и генерации музыки по тексту.

138скачиваний за 30 дней0лайковвеса обновлены23 июн 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

OmniStep-new — модель семейства OmniSenter, разработанная Chris (Nous Girl) на базе архитектуры Qwen3. Это мультимодальная сборка для диалогов и следования инструкциям, понимания изображений и видео, а также генерации музыки по тексту и текстам песен. В README описаны текстовая основа Qwen3-8B, мультимодальные компоненты Cosmos и модули ACE-Step v1.5 turbo с языковой моделью, DiT и VAE; метаданные указывают 7,6 млрд параметров, контекст до 40 960 токенов и поддержку image-text-to-text. Модель сформирована слиянием весов Darwin Family из компонентов nvidia/Cosmos3-Nano и Qwen/Qwen3-8B; для распространения доступны GGUF F16 и safetensors. Лицензия — Apache-2.0.

Модель предназначена для мультимодального чат-ассистента, анализа изображений и видео и создания музыки по текстовому описанию. README называет её базовой сборкой для прямого инференса или последующего обучения с учителем; отдельная агентная LoRA в эту модель не включена. В карточке заявлены генерация музыки и понимание видео, однако метаданные каталога подтверждают только задачи text-generation и image-text-to-text. Учитывая необычную объединённую архитектуру и расхождение числа параметров в README и метаданных, совместимость конкретных функций и сборок стоит проверять на практике.

Сценарии применения

  • диалоговый помощник для выполнения текстовых инструкций
  • ответы на вопросы по содержимому изображений
  • анализ видеоматериалов в мультимодальном чате
  • генерация музыки по текстовому описанию или тексту песни
  • базовая модель для последующего обучения чат-ассистента

Ограничения

Генерация музыки и понимание видео заявлены в README, но не отражены среди задач, подтверждённых метаданными каталога; их доступность зависит от совместимости сборки и шаблона чата. README указывает 8,2 млрд параметров для текстовой основы, тогда как метаданные модели сообщают 7,6 млрд параметров.

Для каких профессий подходит5

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

OmniStep-new

OmniStep cover

An omnimodal music generator + chat assistant. Replaces sovthpaw/omnistep-12a3b (v1 transitional baseline) as the current OmniStep in the OmniSenter family.

What it does

OmniStep-new is a single bundled model that handles:

CapabilityHow
Chat / instruction followingQwen3-8B text backbone
Image + video understandingCosmos multimodal heads (built into the chat template as `<
Music generation (lyrics → music)ACE-Step v1.5 turbo DiT + 1.7B LM + VAE, attached as modules
Tool / function calling<tool_call> tags in chat template, supports OpenAI-style tool schemas
Long context40K native, YaRN-extendable to 256K+

It is not the agentic SFT variant — that's a separate LoRA on top. This is the base, ready for SFT warm-start or direct inference.

Architecture

OmniStep-new (16GB F16 GGUF bundle)
├─ Qwen3-8B text backbone     (8.2B params, 36 layers, q_norm/k_norm)
├─ Cosmos multimodal heads     (vision encoder + projector)
└─ ACE-Step music modules      (1.7B LM + DiT v1.5 turbo + VAE)

Built via Darwin Family weight-space merging (MRI-Trust Fusion) from:

  • Parent A: nvidia/Cosmos3-Nano (text body extracted)
  • Parent B: Qwen/Qwen3-8B (gen-1 SFT-merged base)
  • Genome: rho_b=0.5, tau=0.4
  • Merge script: SouthpawIN/evolutionary-training/scripts/cosmos_qwen3_darwin_merge.py

Files

FileSizeNotes
OmniStep-new-F16.gguf16 GBllama.cpp F16 single-file GGUF
model-00001..7-of-7.safetensors16 GBHF sharded safetensors
config.json<1 KBQwen3-compatible
tokenizer.json / vocab.json / merges.txt~16 MBStandard Qwen3 tokenizer + 26 multimodal/tool special tokens
chat_template.json~5 KBTool-calling + vision/video/image_pad tokens

Usage

llama.cpp (recommended — fits a single 24GB GPU)

llama-server -m OmniStep-new-F16.gguf \
  --host 127.0.0.1 --port 9080 \
  -ngl 99 -c 262144 -fa on \
  -ctk turbo4 -ctv turbo4 --no-mmap

HuggingFace transformers (text-only mode)

from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("sovthpaw/omnistep-new")
model = AutoModelForCausalLM.from_pretrained(
    "sovthpaw/omnistep-new",
    device_map="auto",
    torch_dtype="bfloat16",
)
out = model.generate(**tok("Hello, who are you?", return_tensors="pt").to("cuda"),
                     max_new_tokens=200, do_sample=True, temperature=0.7)
print(tok.decode(out[0]))

Tool calling

import json
from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("sovthpaw/omnistep-new")
model = AutoModelForCausalLM.from_pretrained("sovthpaw/omnistep-new", device_map="auto", torch_dtype="bfloat16")

tools = [{
    "name": "get_weather",
    "description": "Get current weather for a city",
    "parameters": {"type": "object", "properties": {"city": {"type": "string"}}, "required": ["city"]}
}]
msgs = [{"role": "user", "content": "What's the weather in Tokyo?"}]
prompt = tok.apply_chat_template(msgs, tools=tools, add_generation_prompt=True, tokenize=False)
out = model.generate(**tok(prompt, return_tensors="pt").to("cuda"), max_new_tokens=200)
print(tok.decode(out[0][len(tok.encode(prompt)):]))
# → <tool_call>{"name": "get_weather", "arguments": {"city": "Tokyo"}}</tool_call>

What's next

This is gen 0. The roadmap:

  1. ✅ omnistep-new (this repo) — Darwin-merged 8B base + Cosmos heads + ACE-Step music
  2. ⏳ omnistep-sft-8b — QLoRA agentic SFT (Stage 1, finished 3954/3954 steps, loss 0.2352)
  3. ⏳ omnistep-new-merged — SFT adapter merged into this base for the deployable chat agent
  4. ⏳ senter-ohm-32a8b — sparse-upcycled 32A8B MoE (Stage 3) with this as the base expert

Provenance

  • Built with SouthpawIN/evolutionary-training
  • Merge script: scripts/cosmos_qwen3_darwin_merge.py
  • Date: 2026-06-22
  • Naming: per the-omni-family.md — OmniStep = multimodal native + music + agentic backbone. This is the multimodal + music half; the agentic SFT is the LoRA adapter on top.

TOWARDS SELF-IMPROVEMENT — Chris (via Nous Girl), 2026-06-22

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
4de27fd

0 моделей