库名称: transformers 标签:

• 全能模态大语言模型
• 多模态大语言模型
• 情感语音对话 许可证: apache-2.0 数据集:
• Emova-ollm/emova-alignment-7m
• Emova-ollm/emova-sft-4m
• Emova-ollm/emova-sft-speech-231k 语言:
• 英文
• 中文 基础模型:
• Emova-ollm/qwen2vit600m
• Emova-ollm/Qwen2.5-3B-Instruct_add_speech_token_4096_nostrip 模型索引:
• 名称: emova-qwen-2-5-3b-hf 结果:
  • 任务: 类型: 多模态 数据集: 名称: AI2D 类型: ai2d 指标:
    • 类型: 准确率 值: 78.6 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: ChartQA 类型: chartqa 指标:
    • 类型: 准确率 值: 81.5 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: DocVQA 类型: docvqa 指标:
    • 类型: 准确率 值: 93.5 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: InfoVQA 类型: infovqa 指标:
    • 类型: 准确率 值: 71.2 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MathVerse 类型: mathverse 指标:
    • 类型: 准确率 值: 31.4 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MathVista 类型: mathvista 指标:
    • 类型: 准确率 值: 62.6 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MMBench 类型: mmbench 指标:
    • 类型: 准确率 值: 79.2 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MME 类型: mme 指标:
    • 类型: 分数 值: 2175 名称: 分数 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MMVet 类型: mmvet 指标:
    • 类型: 准确率 值: 57.3 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: OCRBench 类型: ocrbench 指标:
    • 类型: 准确率 值: 803 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: RealWorldQA 类型: realworldqa 指标:
    • 类型: 准确率 值: 62.6 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: Seed-Bench-Image 类型: seed-bench-image 指标:
    • 类型: 准确率 值: 74.9 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: Science-QA 类型: science-qa 指标:
    • 类型: 准确率 值: 92.7 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: TextVQA 类型: textvqa 指标:
    • 类型: 准确率 值: 77.2 名称: 准确率 已验证: 是
  • 任务: 名称: 自动语音识别 类型: 自动语音识别 数据集: 名称: LibriSpeech (干净) 类型: librispeech_asr 配置: clean 分割: test 参数: 语言: en 指标:
    • 名称: 测试WER 类型: wer 值: 5.4 新版本: Emova-ollm/emova-qwen-2-5-3b-hf

EMOVA-Qwen-2.5-3B

模型概述

EMOVA (EMotionally Omni-present Voice Assistant) 是一种新颖的端到端全能模态大语言模型，无需依赖外部模型即可实现视觉、听觉和语音功能。给定全能模态（即文本、视觉和语音）输入，EMOVA 能够通过语音解码器和风格编码器生成具有生动情感控制的文本和语音响应。EMOVA 具备全能模态理解和生成能力，在高级视觉语言理解、情感语音对话以及结构化数据理解的语音对话方面表现卓越。我们总结其关键优势如下：

• 领先的全能模态性能：EMOVA 在视觉语言和语音基准测试中同时达到领先的可比结果。我们性能最佳的模型 EMOVA-72B 甚至超越了包括 GPT-4o 和 Gemini Pro 1.5 在内的商业模型。
• 情感语音对话：采用语义-声学解耦的语音分词器和轻量级风格控制模块，实现无缝的全能模态对齐和多样化的语音风格可控性。EMOVA 支持双语（中文和英文）语音对话，并提供24种语音风格控制（即2种说话者、3种音高和4种情感）。
• 多样化配置：我们开源了3种配置，EMOVA-3B/7B/72B，以支持不同计算预算下的全能模态使用。查看我们的模型库，找到最适合您计算设备的模型！

性能表现

使用方法

本仓库包含EMOVA-Qwen2.5-3B检查点，按照我们的EMOVA代码库的原始格式组织，因此应与EMOVA代码库一起使用。其配对配置文件可在此处找到。查看此处以使用此检查点启动Web演示。

引用

@article{chen2024emova,
  title={Emova: Empowering language models to see, hear and speak with vivid emotions},
  author={Chen, Kai and Gou, Yunhao and Huang, Runhui and Liu, Zhili and Tan, Daxin and Xu, Jing and Wang, Chunwei and Zhu, Yi and Zeng, Yihan and Yang, Kuo and others},
  journal={arXiv preprint arXiv:2409.18042},
  year={2024}
}