NVIDIA Audio Flamingo 2 Sound-CoT
Audio Flamingo 2 Sound-CoT — версия для рассуждений о звуковых событиях и последовательности аудио.
Audio Flamingo 2 Sound-CoT — дообученная 3B-модель NVIDIA для более сложного рассуждения о звуковых сценах. Она продолжает Audio Flamingo 2, но акцентирует цепочки вывода: например, нужно определить, как события связаны между собой и какой вывод следует из нескольких акустических признаков. Исследовательский отчёт описывает набор обучения с примерно миллионом примеров рассуждений.
Рассуждение о звуковых событиях
Причины, последовательность и различия
Модель обучали отвечать на вопросы, в которых недостаточно назвать обнаруженный звук. Задача может потребовать сопоставить несколько признаков, понять временную последовательность или выбрать между похожими объяснениями. Авторы ввели AF-Reasoning-Eval для проверки здравого смысла в звуковых задачах и способности различать близкие варианты ответа.
Как её обучали
Дообучение Audio Flamingo 2
Sound-CoT построена на Audio Flamingo 2 объёмом 3 млрд параметров и использует AF-CoT-Train — набор примерно из одного миллиона трасс рассуждений. В техническом отчёте NVIDIA сравнивает её с рядом 7B-моделей рассуждения на выбранных тестах. Такое сравнение относится к описанным бенчмаркам и не означает превосходства на любых аудиозадачах.
Практическая интерпретация
Промежуточное объяснение не равно доказательству
Если модель указывает, почему она выбрала ответ, это помогает разбирать ход анализа, но не подтверждает, что объяснение верно. Для важных решений результат необходимо сверять с исходной записью. Sound-CoT доступна для исследовательского использования на условиях NVIDIA OneWay Noncommercial License и ограничений базовой Qwen 2.5. Базовая модель поколения описана в статье Audio Flamingo 2.
Связанные модели и разработчик
Страницы семейства NVIDIA
NVIDIA Audio Flamingo 2 · NVIDIA Audio Flamingo 3 · NVIDIA в Вики Futuretools
Дата публикации и первичный источник
Материалы NVIDIA
Официальный репозиторий NVIDIA описывает Sound-CoT как дообученную модель Audio Flamingo 2 на 3B и ссылается на технический отчёт arXiv 2508.11818, опубликованный 15.08.2025. Отчёт вводит AF-Reasoning-Eval и AF-CoT-Train примерно на 1 млн примеров. Первичный источник: официальные материалы NVIDIA.