Step-Omni
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- StepFun
- Typ organizace
- Industry
- Země
- China
- Publikováno
- 18 February 2025
- Autoři
- Ailin Huang, Boyong Wu, Bruce Wang, Chao Yan, Chen Hu, Chengli Feng, Fei Tian, Feiyu Shen, Jingbei Li, Mingrui Chen, Peng Liu, Ruihang Miao, Wang You, Xi Chen, Xuerui Yang, Yechang Huang, Yuxiang Zhang, Zheng Gong, Zixin Zhang, Hongyu Zhou, Jianjian Sun, Brian Li, Chengting Feng, Changyi Wan, Hanpeng Hu, Jianchang Wu, Jiangjie Zhen, Ranchen Ming, Song Yuan, Xuelin Zhang, Yu Zhou, Bingxin Li, Buyun…
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Speech, Language, Multimodal, Vision
- Úkol
- Speech synthesis, Speech recognition (ASR), Speech-to-text, Text-to-speech (TTS), Audio question answering, Audio generation, Image captioning, Visual question answering, Speech-to-speech
- Základní model
- Step-1
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 130B
- Výcviková data
- 2,468,000,000,000 tokens
130B
1.1 trillion tokens of audio continuation data (approximately 7,300,000 hours) + 113 billion tokens of TTS (about 700,000 hours) + 105 billion tokens of ASR data (around 650,000 hours) + 350 billion tokens of audio-text alternating data (approximately 2,000,000 hours) + 800 billion tokens of tokens of image-text paired/alternating data = 2468 billion tokens
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 2.5 × 10²⁴ FLOP
- Jak bylo ustanoveno
- Operation counting
base LLM 6.24e+23 FLOP + 6 FLOP / parameter / token * 130*10^9 parameters * 2468000000000 tokens [see training dataset size notes] = 6.24e+23 FLOP + 1.92504e+24 FLOP = 2.54904e+24 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA H800 SXM5
- Využití hardwaru
- MFU 35.0%
"We train Step-Omni on thousands of H800 GPUs with 35% Model Flops Utilization (MFU)."
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Step-Audio: Unified Understanding and Generation in Intelligent Speech Interaction
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Pozadí
Step-Omni byl zveřejněn StepFun, v zemi zaznamenané jako China, během February 2025. Vychází z organizace, která je kategorizována jako industry.
funguje v oblasti Speech, Language, Multimodal, Vision, a je zaznamenán jako vykonávající úkol speech synthesis, Speech recognition (ASR), Speech-to-text, Text-to-speech (TTS), Audio question answering, Audio generation, Image captioning, Visual question answering, Speech-to-speech.
Jeho výchozím bodem byl existující základní model, Step-1. To je obvyklý způsob, jak je specializovaný model vytvářen.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Co bylo zapotřebí k jeho vybudování
Trenovací běh spotřeboval asi 2.5 × 10²⁴ FLOP, na hardwaru zaznamenáno jako NVIDIA H800 SXM5. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 2,468,000,000,000 tokeny textu
Odpovědi
Step-Omni — běžné otázky
Step-Omni— K čemu se to používá?
funguje v oblasti Speech, Language, Multimodal, Vision, a je zaznamenáno jako zpracovávající úkol speech synthesis, Speech recognition (ASR), Speech-to-text, Text-to-speech (TTS), Audio question answering, Audio generation, Image captioning, Visual question answering, Speech-to-speech. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
Step-Omni— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 2.5 × 10²⁴ FLOP, na hardwaru zaznamenáno jako NVIDIA H800 SXM5. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
Step-Omni— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
Step-Omni— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Step-Omni— kolik má parametrů?
Má počet parametrů 130B. 130B. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Step-Omni— Kdo to vytvořil?
Bylo to publikováno společností StepFun, zakládající se na China, organizace zařazená jako industry.
Step-Omni— Kdy byl vydán?
Bylo to zveřejněno v February 2025.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.