Step-Omni
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- StepFun
- Tipo de Organización
- Industry
- País
- China
- Publicado
- 18 February 2025
- Autores
- 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…
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Speech, Language, Multimodal, Vision
- Tarea
- 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
- Modelo base
- Step-1
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 130B
- Datos de entrenamiento
- 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
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 2.5 × 10²⁴ FLOP
- Cómo se estableció
- 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
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA H800 SXM5
- Utilización de hardware
- MFU 35.0%
"We train Step-Omni on thousands of H800 GPUs with 35% Model Flops Utilization (MFU)."
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Step-Audio: Unified Understanding and Generation in Intelligent Speech Interaction
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
Step-Omni fue publicado por StepFun, en el país registrado como China, durante February 2025. Sale de una organización categorizada como industry.
Funciona en el dominio de Speech, Language, Multimodal, Vision, y se registra como realizando la tarea de 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.
Su punto de partida fue un modelo base existente, Step-1. Esa es la forma habitual en que se produce un modelo especializado.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 2.5 × 10²⁴ FLOP, en hardware registrado como NVIDIA H800 SXM5. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 2,468,000,000,000 tokens de texto
Respuestas
Step-Omni — preguntas comunes
Step-Omni— ¿Para qué se utiliza?
Funciona en el dominio de Speech, Language, Multimodal, Vision, y se registra como manejando la tarea de 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. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Step-Omni— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.5 × 10²⁴ FLOP, en hardware registrado como NVIDIA H800 SXM5. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Step-Omni— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Step-Omni— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Step-Omni— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 130B. 130B. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
Step-Omni— ¿Quién lo creó?
Fue publicado por StepFun, basado en China, una organización categorizada como industry.
Step-Omni— ¿cuándo fue lanzado?
Se publicó en February 2025.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.