Step-Omni
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- StepFun
- Type d'organisation
- Industry
- Pays
- China
- Publié
- 18 February 2025
- Auteurs
- 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…
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Speech, Language, Multimodal, Vision
- Tâche
- 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
- Modèle de base
- Step-1
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 130B
- Données d'entraînement
- 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
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 2.5 × 10²⁴ FLOP
- Comment cela a été établi
- 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
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA H800 SXM5
- Utilisation du matériel
- MFU 35.0%
"We train Step-Omni on thousands of H800 GPUs with 35% Model Flops Utilization (MFU)."
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Step-Audio: Unified Understanding and Generation in Intelligent Speech Interaction
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
Step-Omni a été publié par StepFun, dans le pays enregistré comme China, durant February 2025. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Speech, Language, Multimodal, Vision, et est enregistré comme exécutant la tâche 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.
Son point de départ était un modèle de base existant, Step-1. C'est la façon habituelle de produire un modèle spécialisé.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé environ 2.5 × 10²⁴ FLOP, sur matériel enregistré comme NVIDIA H800 SXM5. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'ensemble d'entraînement a duré environ 2,468,000,000,000 jetons de texte
Réponses
Step-Omni — questions courantes
Step-Omni— à quoi ça sert ?
Il fonctionne dans le domaine de Speech, Language, Multimodal, Vision, et est enregistré comme gérant la tâche 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. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Step-Omni— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.5 × 10²⁴ FLOP, sur matériel enregistré comme NVIDIA H800 SXM5. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
Step-Omni— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
Step-Omni— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
Step-Omni— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 130B. 130B. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
Step-Omni— qui l'a créé ?
Il a été publié par StepFun, basé sur China, une organisation catégorisée comme industry.
Step-Omni— quand a-t-il été publié ?
Il a été publié dans February 2025.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.