【TechWeb】2月11日音讯，蚂聚拢团开源发布全模态大模子 Ming-Flash-Omni 2.0。在多项公开基准测试中，该模子在视觉谈话贯串、语音可控生成、图像生成与裁剪等瑕玷智商发达凸起。

据先容，Ming-Flash-Omni 2.0是业界首个全场景音频长入生成模子，可在并吞条音轨中同期生谚语音、环境音效与音乐。用户只需用当然谈话下请示，即可对音色、语速、语调、音量、情谊与方言等进行深重约束。模子在推理阶段完了了 3.1Hz 的极低推理帧率，完了了分钟级长音频的及时高保真生成，在推理成果与本钱约束上保捏业界跨越。

业内无数觉得，多模态大模子最终会走向更长入的架构，让不同模态与任求完了更深层协同。但执行是，“全模态”模子经常很难同期作念到通用与专精：在特定单项智商上，开源模子经常不足专用模子。蚂聚拢团在全模态标的已捏续干预多年，Ming-Omni系列恰是在这一布景下捏续演进：早期版块构建长入多模态智商底座，中期版块考据限制增长带来的智商进步，而最新2.0版块通过更大限制数据与系统性训练优化，将全模态贯串与生成智商推至开源跨越水平，并在部分范畴罕见顶级专用模子。

这次将 Ming-Flash-Omni 2.0 开源，意味着其中枢智商以“可复用底座”的格式对外开释，为端到端多模态专揽树立提供长入智商进口。

Ming-Flash-Omni 2.0 基于 Ling-2.0 架构（MoE，100B-A6B）训练，围绕“看得更准、听得更细、生成更稳”三大主义全面优化。视觉方面，和会亿级细粒度数据与难例训练计谋，权臣进步对近缘动植物、工艺细节和珍稀文物等复杂对象的识别智商；音频方面，完了语音、音效、音乐同轨生成，复古当然谈话深重约束音色、语速、情谊等参数，并具备零样本音色克隆与定制智商；图像方面，增强复杂裁剪的领会性，复古光影周折、场景替换、东说念主物姿态优化及一键修图等功能，在动态场景中仍保捏画面连贯与细节信得过。

百灵模子追究东说念主周俊示意，全模态工夫的瑕玷在于通过长入架构完了多模态智商的深度和会与高效调用。开源后，树立者可基于并吞套框架复用视觉、语音与生成智商，权臣裁减多模子串联的复杂度与本钱。往日，团队将捏续优化视频时序贯串、复杂图像裁剪与长音频生成及时性，完善器具链与评测体系，鼓舞全模态工夫在内容业务中限制化落地。

当今凯时体育游戏app平台，Ming-Flash-Omni 2.0的模子权重、推理代码已在 Hugging Face等开源社区发布。用户也可通过蚂蚁百灵官方平台Ling Studio在线体验与调用。（周小白）

　　声明：新浪网独家稿件，未经授权辞让转载。 -->