/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
32 млрд
Размер весов
65,6 ГБ
Лицензия
Apache 2.0
Архитектура
MGMOmni · dense
Базовая модель
Qwen2.5-VL-32B-Instruct
Библиотека
transformers
Опубликована
15 авг 2025

MGM-Omni-32B

Генерация текстаТекст → текст11 профессий

MGM-Omni-32B — дообученная мультимодальная чат-модель для анализа текста, изображений, видео и речи с генерацией текстовых ответов.

31скачиваний за 30 дней5лайковвеса обновлены17 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

MGM-Omni-32B — мультимодальная модель-чатбот семейства MGMOmni, разработанная командой MGM-Omni. Это компонент восприятия MLLM: он принимает текст, изображения, видео и речь, а отвечает текстом; для синтеза речи авторы указывают отдельную модель MGM-Omni-TTS. Модель содержит 32 млрд параметров, использует архитектуру MGMOmniForCausalLM и поддерживает контекст до 128 000 токенов.

Модель предназначена для диалогов с мультимодальными данными, понимания речи, изображений и видео, включая длинные аудиозаписи. В карточке заявлены поддержка английского и китайского языков и возможность воспринимать речь длительностью до часа. MGM-Omni-32B дообучена на Qwen/Qwen2.5-VL-32B-Instruct. Лицензия — Apache-2.0.

Сценарии применения

  • вопросы и ответы по изображениям
  • анализ содержания видео
  • понимание длинных аудиозаписей и речи
  • мультимодальный диалог на английском и китайском
  • обобщение и извлечение сведений из речевых и визуальных материалов

Ограничения

Этот репозиторий содержит компонент восприятия и генерирует текст; для генерации речи авторы указывают отдельную модель MGM-Omni-TTS. Заявленные возможности не сопровождаются в карточке количественной оценкой качества MGM-Omni-32B.

Для каких профессий подходит11

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

MGM-Omni-32B

Github Blog Models Demo

Introduction

MGM-Omni is an omni-chatbot capable of processing text, image, video, and speech inputs, and generating both text and speech responses. MGM-Omni is capable of long-form speech understanding and generation, as well as zero-shot voice cloning in both Chinese and English. MGM-Omni-32B is the MLLM component of MGM-Omni for omni modality perception. For the SpeechLM part, please refer MGM-Omni-TTS.

Main Properties

  • Omni-modality supports: MGM-Omni supports audio, video, image, and text inputs, understands long contexts, and can generate both text and speech outputs, making it a truly versatile multi-modal AI assistant.
  • Long-form Speech Understanding: Unlike most existing open-source multi-modal models, which typically fail with inputs longer than 15 minutes, MGM-Omni can handle hour-long speech inputs while delivering superior overall and detailed understanding and performance!
  • Long-form Speech Generation: With a treasure trove of training data and smart Chunk-Based Decoding, MGM-Omni can generate over 10 minutes of smooth, natural speech for continuous storytelling.
  • Streaming Generation: Thanks to the parallel decoding approach for speech tokens, MGM-Omni enables efficient and smooth streaming audio, making it suitable for live conversations.
  • Zero-shot Voice Cloning: With MGM-Omni’s extensive and diverse audio training, you can create a customized voice clone by simply recording a short clip (around 10 seconds) and reviewing the results.
  • Fully Open-source: All the code, models, and training data will be released.

Evaluation

Speech and Audio Understanding

ModelDateLS-clean↓LS-other↓CM-EN↓CM-ZH↓AISHELL↓
Mini-Omni22024-114.79.4---
Lyra2024-122.04.0---
VITA-1.52025-013.47.5--2.2
Qwen2.5-Omni2025-031.63.57.65.2-
Ola2025-061.94.3---
MGM-Omni-7B2025-081.73.68.84.51.9
MGM-Omni-32B2025-081.53.28.04.01.8

This table presents WER and CER results on speech understanding. Here LS refers to LibriSpeech and CM refers to Common Voice.

ModelDateSpeech↑Sound↑Music↑Mix↑Average↑
LLaMA-Omni2024-085.25.34.34.04.7
Mini-Omni22024-113.63.52.63.13.2
IXC2.5-OmniLive2024-121.61.81.71.61.7
VITA-1.52025-014.85.54.92.94.5
Qwen2.5-Omni2025-036.85.74.85.45.7
Ola2025-067.36.45.96.06.4
MGM-Omni-7B2025-087.36.56.36.16.5
MGM-Omni-32B2025-087.16.56.26.26.5

This table presents evaluation results on AIR-Bench Chat (speech, sound, music, etc.).

Speech Generation

ModelDateModel SizeCER↓SS(ZH)↑WER↓SS(EN)↑
CosyVoice22024-120.5B1.450.7482.570.652
Qwen2.5-Omni-3B2025-030.5B1.580.7442.510.635
Qwen2.5-Omni-7B2025-032B1.420.7542.330.641
MOSS-TTSD-v02025-062B2.180.5942.460.476
HiggsAudio-v22025-076B1.660.7432.440.677
MGM-Omni2025-080.6B1.490.7492.540.670
MGM-Omni2025-082B1.380.7532.280.682
MGM-Omni2025-084B1.340.7562.220.684

This table presents evaluation results on speech generation on seed-tts-eval. For Qwen2.5-Omni, model size refers to the size of the talker.

Citation

If you find this repo useful for your research, we would appreciate it if you could cite our work:

@misc{wang2025mgmomni,
  title={MGM-Omni: An Open-source Omni Chatbot},
  author={Wang, Chengyao and Zhong, Zhisheng and Peng, Bohao and Yang, Senqiao and Liu, Yuqi and Yu, Bei and Jia, Jiaya},
  year={2025},
  howpublished={\url{https://mgm-omni.notion.site}},
  note={Notion Blog}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура MGMOmni неизвестна transformers в образе рантайма.

Класс архитектуры
MGMOmniForCausalLM
Ревизия весов
e24c8d7

0 моделей