/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
slm · dense
Библиотека
slm-research
Опубликована
11 авг 2026

gslm-scaling-823m-82b

Генерация текстаТекст → текст3 профессии

Речевая языковая модель из исследования EMNLP 2024, генерирующая дискретные единицы речи для экспериментов и последующего декодирования внешним вокодером.

15скачиваний за 30 дней0лайковвеса обновлены11 авг 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

Модель tiagoCuervo/gslm-scaling-823m-82b — контрольная точка речевой языковой модели из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Она предсказывает последовательности дискретных речевых единиц: повторяющиеся соседние единицы схлопнуты, единицы получены из 11-го слоя mHuBERT с помощью K-means и имеют частоту 25 Гц. Репозиторий содержит веса FP32 в формате safetensors; размер в названии модели — 823 млн параметров.

Модель предназначена для генерации последовательностей речевых токенов и оценки масштабирования речевых языковых моделей. Для декодирования этих последовательностей в аудио потребуется внешний вокодер: он не входит в репозиторий. В README приведены результаты оценки на sBLIMP и StoryCloze; для подготовки данных, оценки и декодирования рекомендуется кодовая база slm-research.

Модель опубликована под лицензией Apache-2.0. Исходные наборы данных и вокодер CodeHiFiGAN не включены и сохраняют собственные лицензии. В README не указаны поддерживаемые естественные языки и длина контекста; результаты оценивания показывают ограничения качества на приведённых тестах.

Сценарии применения

  • генерация последовательностей дискретных речевых единиц
  • эксперименты по масштабированию речевых языковых моделей
  • оценка речевых языковых моделей на тестах sBLIMP
  • декодирование сгенерированных речевых единиц во внешнем вокодере

Ограничения

Вокодер для преобразования единиц в аудио не включён; исходные наборы данных и CodeHiFiGAN имеют отдельные лицензии. В README приведены умеренные результаты на sBLIMP и StoryCloze, а сведения о поддерживаемых естественных языках и длине контекста отсутствуют.

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

gslm-scaling-823m-82b

Model-only FP32 weights for a complete endpoint from Scaling Properties of Speech Language Models (EMNLP 2024). The model predicts consecutive-run-collapsed, 25 Hz layer-11 mHuBERT K-means units without waveform normalization (K=500; EOS=500; PAD=501). A vocoder is not bundled.

Speech-tokenizer and vocoder artifacts are credited in the SLM third-party notices.

import torch
from slm import TransformerLM

model = TransformerLM.from_pretrained("tiagoCuervo/gslm-scaling-823m-82b", device="cuda")
prompt = torch.tensor([[12, 91, 204]], device="cuda")
units = model.generate(prompt, max_new_tokens=200, temperature=0.8, top_k=50)

BF16 evaluation scores are 61.33% sBLIMP phenomenon macro accuracy, 58.36% sBLIMP voice-pair accuracy, 56.92% sStoryCloze, and 77.93% tStoryCloze. See provenance.json for hashes and exact validation metadata.

Use the slm-research codebase for data preparation, evaluation, and audio decoding. Source datasets and the CodeHiFiGAN vocoder retain their own licenses and are not included.

Как запустить

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

GPU в ailist

Универсальный рантайм · slm-research

Нельзя запустить

Архитектура slm неизвестна transformers в образе рантайма.

Класс архитектуры
TransformerLM
Ревизия весов
ba3157a

0 моделей