К содержимому
Другое

Llama-F-Actor Mimi

полнодуплексная голосовая модель с настройкой поведения

2 мин чтенияобновлено

Llama-F-Actor Mimi (f-actor-mimi-behavior-sd) — открытая речевая диалоговая модель формата full-duplex (способна слушать и говорить одновременно, как в живом разговоре). Разработана исследователями из проекта JSALT2026-Conv-AI-Simulator на базе текстовой Llama-3.2-1B-Instruct и аудиокомпонентов Sesame/CSM-1B с кодеком Mimi, общий размер составляет 1,89 млрд параметров. В отличие от обычных голосовых ассистентов, модель умеет по текстовой инструкции менять манеру общения: регулировать частоту перебиваний, коротких реакций согласия и инициативность в диалоге. Пригодится разработчикам разговорных ИИ-агентов и исследователям естественной речевой коммуникации.

Ключевые особенности

  • Построена на связке Llama-3.2-1B-Instruct и предобученного Depth Transformer из Sesame/CSM-1B с аудиокодеком Mimi.
  • Управляется явными инструкциями: позволяет задавать голос спикера, тему разговора, поведение (backchanneling — короткие реплики вроде «угу» и «понятно», а также перебивания) и инициацию диалога.
  • Обучена в один этап без массивного претрейна: при замороженном аудиоэнкодере модели хватило 2 000 часов речевых данных.
  • Первая открытая full-duplex модель с поддержкой инструкций, рассчитанная на воспроизводимые эксперименты при ограниченных вычислительных ресурсах.

Что можно сделать

  • Создать голосового собеседника для англоязычного сервиса или симулятора диалогов, который не просто ждёт паузы, а естественно реагирует на речь пользователя.
  • Протестировать разные сценарии общения в одном пайплайне — от вежливого слушателя с редкими поддакиваниями до активного собеседника, способного перебивать и брать инициативу.
  • Использовать открытые веса и код обучения из репозитория авторов как базу для собственных исследований потоковых диалоговых систем.

Пример

В карточке модели не приведён готовый код инференса — авторы предлагают использовать код запуска и обучения из официального репозитория MaikeZuefle/f-actor на GitHub. В качестве входных параметров модели передаются текстовые инструкции, определяющие голос спикера, тему беседы и желаемую частоту backchanneling или перебиваний во время потокового аудиодиалога.

ПодробнееПараметры: 1,89B (на базе Llama-3.2-1B-Instruct и Sesame/CSM-1B).
Язык: английский (en), библиотека — transformers.
Обучение: одноэтапный протокол на 2 000 часов данных с замороженным аудиоэнкодером.
Бенчмарки и требования к VRAM в карточке модели не указаны.
Обсудить Telegram 0 22

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.5 GB · готовые файлы4.4 GB
  • FP8 / INT8рекомендуемвеса 1.8 GB2.4 GB
  • 4-bitвеса 1.0 GB1.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # JSALT2026-Conv-AI-Simulator/f-actor-mimi-behavior-sd
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download JSALT2026-Conv-AI-Simulator/f-actor-mimi-behavior-sd --local-dir ~/models/f-actor-mimi-behavior-sd
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к f-actor-mimi-behavior-sd
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

meta-llama/Llama-3.2-1B-Instruct

Новые посты про версии Llama-3.2-1B-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 3Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

JSALT2026-Conv-AI-Simulator/f-actor-mimi-behavior-sd
Автор
JSALT2026-Conv-AI-Simulator
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

220

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии