inclusionAI เปิดตัว Ming-3.0-audio-flash โมเดลภาษาเสียง
เริ่มตรงนี้
inclusionAI เปิดตัว Ming-3.0-audio-flash โมเดลภาษาเสียงแบบ Mixture-of-Experts ที่ทำงานกับเสียงได้โดยตรง มีพารามิเตอร์รวม 126B และเปิดใช้งาน 6.5B ต่อการอนุมานหนึ่งครั้ง ภายใต้สัญญาอนุญาต MIT โดยรับอินพุตเสียงพร้อมคำสั่งข้อความ และส่งออกข้อความหรือเสียงสังเคราะห์ตามตัวเลือก ครอบคลุมการรู้จำเสียง การตอบคำถามด้วยเสียง การเข้าใจเสียงยาว การให้เหตุผลด้านเสียง และการโต้ตอบด้วยเสียง ทั้งภาษาจีนและภาษาอังกฤษ โมเดลรายงานผล 99.8% บนเกณฑ์ Big Bench Audio ของ Artificial Analysis ซึ่งเป็นตัวเลขจากประกาศของ inclusionAI เอง รีโพซิทอรีระบุการตั้งค่าการให้บริการผ่าน Transformers, vLLM-Omni และ SGLang โปรไฟล์การให้บริการอ้างอิงที่ 128K ใช้ tensor parallelism บน GPU H800 ขนาด 80 GB จำนวนสี่ตัว; inclusionAI ระบุว่าอินพุตเสียงที่ยาวเป็นพิเศษอาจหน่วยความจำไม่พอบนโปรไฟล์สี่ GPU ซึ่งในกรณีนั้นมีโปรไฟล์สำรองแปด GPU ให้ใช้ การตั้งค่าการให้บริการแบบสอง GPU วาง thinker ไว้บนอุปกรณ์ที่มองเห็นทั้งสองตัว วางตัวเข้ารหัสเสียงบน GPU 0 และการสังเคราะห์เสียงบน GPU 1
สร้างจากรายงาน · อัปเดต 21 นาทีที่แล้ว
ไทม์ไลน์รายงาน
ไล่ตามรายงานเพื่อดูเหตุการณ์นี้จากหลายด้าน
- inclusionAI ModelsคัดสรรinclusionAI เปิดตัว Ming-3.0-audio-flash โมเดลเสียง-ภาษาแบบ MoE ขนาด 126B ภายใต้ MIT
inclusionAI เปิดตัว Ming-3.0-audio-flash โมเดล Mixture-of-Experts แบบเสียง-ภาษาพื้นเมืองที่มีพารามิเตอร์รวม 126B และเปิดใช้งาน 6.5B ต่อการอนุมานหนึ่งครั้ง ภายใต้ MIT License โดยรับคำสั่งเสียงพร้อมข้อความ และส่งออกข้อความหรือเสียงสังเคราะห์เสริม ครอบคลุมการรู้จำเสียง การตอบคำถามด้วยเสียง ความเข้าใจเสียงยาว การให้เหตุผลด้านเสียง และการโต้ตอบด้วยเสียงในภาษาจีนและอังกฤษ โมเดลรายงานผล 99.8% บน Big Bench Audio ของ Artificial Analysis และที่เก็บโค้ดมีเอกสารการตั้งค่าการให้บริการผ่าน Transformers, vLLM-Omni และ SGLang
ความร้อนแรงของเหตุการณ์นี้
ยังมีการเฝ้าดูต่อเนื่องไม่พอจะวาดแนวโน้ม