/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
laya-multilingual
Библиотека
laya-omni
Опубликована
26 сен 2026

laya-omni

Мультимодальная модель

Laya-omni — быстрая мультимодальная модель для ответов с оценкой вероятности на вопросы по изображениям и аудио.

0скачиваний за 30 дней0лайковвеса обновлены5 окт 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

Laya-omni — мультимодальная модель от zheqiushui для выдачи решений в заданном формате: выбор одного варианта, оценка или ответ «да/нет» с калиброванными вероятностями. Она добавляет к Laya multilingual обработку изображений и аудио; без этих входов её ответы совпадают с Laya. В репозитории находятся обученный модуль слияния примерно на 7 млн параметров и аудиоэнкодер Qwen3-ASR-0.6B; модель также использует замороженные Laya multilingual на базе mmBERT-base и визуальный энкодер SigLIP 2 base/16-256.

Модель предназначена для быстрых ответов на вопросы по изображениям и аудиоклипам, в том числе для задач с вариантами ответа и оценки уверенности. README приводит результаты на визуальных бенчмарках и на проверках распознавания объектов и их пространственных отношений. На RTX 4090 обработка одного изображения занимает 14–20 мс с учётом энкодеров. Указаны слабые результаты на научных схемах и медицинских изображениях, а также при вопросах о пространственных отношениях и будущих событиях; на незнакомых вопросах по диаграммам модель может быть уверенной при ошибочном ответе. Лицензия обозначена в метаданных как other, конкретные условия в README не описаны.

Сценарии применения

  • выбор правильного варианта ответа по изображению
  • ответы «да» или «нет» на вопросы об изображении
  • оценка уверенности ответа по визуальному содержимому
  • определение объектов на изображении среди вариантов
  • ответы на вопросы по аудиоклипу

Ограничения

Модель слаба на научных схемах и медицинских изображениях, пространственных отношениях и вопросах о том, что произойдёт дальше; на незнакомых вопросах по диаграммам может давать уверенные, но неверные ответы.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

laya-omni (formal-v3)

Laya answers typed decisions (choose one option, give a score, answer yes/no) with calibrated probabilities. laya-omni adds optional image and audio inputs. Without an image or audio clip, the output is bit-identical to Laya.

  • Code, docs, fine-tuning tool: https://github.com/ZHEQIUSHUI/laya-omni
  • This repository: the trained fusion (about 7M parameters, 28 MB) and the Qwen3-ASR-0.6B audio encoder extracted from the full ASR model (audio_encoder/).
  • Frozen models it runs on: Laya multilingual (mmBERT-base, ~310M), SigLIP 2 base/16-256 (~93M), Qwen3-ASR audio encoder (186M).

Use

pip install "laya-omni @ git+https://github.com/ZHEQIUSHUI/laya-omni"
hf download zheqiushui/laya-omni --local-dir laya-omni
hf download convaiinnovations/laya-multilingual --local-dir laya-multilingual
from laya_omni import Omni

omni = Omni.load("laya-omni", laya="laya-multilingual",
                 image_encoder="google/siglip2-base-patch16-256",
                 audio_encoder="laya-omni/audio_encoder")

omni.predict("Image.", {
    "sport": {"type": "choice", "instructions": "What game are they playing?",
              "criteria": ["baseball", "tennis", "soccer"]},
    "crowd": {"type": "noul", "instructions": "Is there an audience?"},
}, image="photo.jpg")

omni.predict("Audio clip.", {
    "intent": {"type": "choice", "instructions": "What does the caller want to do?",
               "criteria": ["check the balance", "freeze the card", "pay a bill"]},
}, audio="call.wav")

Several images: image=[a, b]. Images use 256 tokens by default (detail=False: 64). At load time the LoRA deltas are folded into a copy of Laya's encoder for image / audio requests (same outputs, about a quarter faster; merge=False to skip). One question with an image takes 14-20 ms on an RTX 4090, encoders included.

The previous release is kept under the tag formal-v2 (hf download zheqiushui/laya-omni --revision formal-v2).

Results

Standard benchmarks, same questions, one RTX 4090, one question at a time from the image or audio file to the answer (accuracy / median latency):

Benchmarklaya-omniQwen3.5-0.8BQwen3.5-2BValen-Preview-0923Qwen2.5-Omni-3B
MMBench-EN dev0.66 / 14 ms0.75 / 42 ms0.84 / 46 ms0.73 / 70 ms–
MMBench-CN dev0.60 / 14 ms0.75 / 42 ms0.82 / 45 ms0.73 / 70 ms–
MMStar0.37 / 14 ms0.46 / 42 ms0.53 / 46 ms0.44 / 70 ms–
MME (yes / no)0.68 / 17 ms0.76 / 48 ms0.82 / 62 ms0.61 / 105 ms–
POPE0.84 / 16 ms0.88 / 44 ms0.90 / 51 ms0.82 / 88 ms–
SEED-Bench (image)0.57 / 20 ms0.72 / 61 ms0.77 / 82 ms0.66 / 222 ms–
OmniBench (image + audio)0.38 / 50 ms–––0.42 / 321 ms
MMAU test-mini (audio)0.45 / 20 ms–––0.67 / 91 ms

About three times as fast as the smallest Qwen3.5 and 4-15 points less accurate on the image benchmarks; Qwen2.5-Omni-3B is well ahead on audio. On held-out COCO images it tells where an object is (0.85, 4 options), left / right / above (0.85), which is bigger (0.94) and which objects are present (0.96). Protocol, CircularEval, overlap checks and ablations: docs/results.md.

Adapting to a new scenario

A few hundred labelled images or clips, one folder per answer, one command: docs/finetune.md.

Limits

Weak on science diagrams (AI2D, TQA), medical images, spatial relations, and questions about what happens next (game moves) rather than what is there. Confident when wrong on unfamiliar diagram questions (TQA). Probabilities are calibrated per modality and question type (temperature_by_modality in fusion_config.json).

License

  • Code: Apache-2.0 (repository).
  • fusion.safetensors: trained on public datasets that are not redistributed, plus questions generated from COCO 2017 boxes (CC BY 4.0) and option probabilities from Qwen3.8-27B (Apache-2.0); some datasets are for non-commercial research only (e.g. ScienceQA CC BY-NC-SA 4.0, ESC-50 CC BY-NC 3.0, Hateful Memes research license). Use it for research and non-commercial purposes; for commercial use, retrain with the repository's recipes on data whose licenses allow it.
  • audio_encoder/: the audio encoder of Qwen/Qwen3-ASR-0.6B, unchanged, Apache-2.0 (license text and notice in that folder).
  • Runs on Laya (Convai Innovations) and SigLIP 2 (Google), both Apache-2.0, downloaded separately.

Как запустить

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

GPU в ailist

Универсальный рантайм · laya-omni

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Ревизия весов
8aae7fa

0 моделей