Ming-Omni: Een Geïntegreerd Multimodaal Model voor Waarneming en Generatie
Ming-Omni: A Unified Multimodal Model for Perception and Generation
June 11, 2025
Auteurs: Inclusion AI, Biao Gong, Cheng Zou, Chuanyang Zheng, Chunluan Zhou, Canxiang Yan, Chunxiang Jin, Chunjie Shen, Dandan Zheng, Fudong Wang, Furong Xu, GuangMing Yao, Jun Zhou, Jingdong Chen, Jianxin Sun, Jiajia Liu, Jianjiang Zhu, Jun Peng, Kaixiang Ji, Kaiyou Song, Kaimeng Ren, Libin Wang, Lixiang Ru, Lele Xie, Longhua Tan, Lyuxin Xue, Lan Wang, Mochen Bai, Ning Gao, Pei Chen, Qingpei Guo, Qinglong Zhang, Qiang Xu, Rui Liu, Ruijie Xiong, Sirui Gao, Tinghao Liu, Taisong Li, Weilong Chai, Xinyu Xiao, Xiaomei Wang, Xiaoxue Chen, Xiao Lu, Xiaoyu Li, Xingning Dong, Xuzheng Yu, Yi Yuan, Yuting Gao, Yunxiao Sun, Yipeng Chen, Yifei Wu, Yongjie Lyu, Ziping Ma, Zipeng Feng, Zhijiang Fang, Zhihao Qiu, Ziyuan Huang, Zhengyu He
cs.AI
Samenvatting
We stellen Ming-Omni voor, een uniform multimodaal model dat in staat is om afbeeldingen, tekst, audio en video te verwerken, terwijl het een sterke vaardigheid toont in zowel spraak- als beeldgeneratie. Ming-Omni maakt gebruik van toegewijde encoders om tokens uit verschillende modaliteiten te extraheren, die vervolgens worden verwerkt door Ling, een MoE-architectuur uitgerust met nieuw voorgestelde modaliteitsspecifieke routers. Dit ontwerp maakt het mogelijk dat een enkel model efficiënt multimodale invoer kan verwerken en samenvoegen binnen een uniform raamwerk, waardoor diverse taken mogelijk worden zonder afzonderlijke modellen, taakspecifieke fine-tuning of structurele herontwerpen. Belangrijk is dat Ming-Omni verder gaat dan conventionele multimodale modellen door audio- en beeldgeneratie te ondersteunen. Dit wordt bereikt door de integratie van een geavanceerde audio-decoder voor natuurlijk klinkende spraak en Ming-Lite-Uni voor hoogwaardige beeldgeneratie, waardoor het model ook contextbewust kan chatten, tekst-naar-spraakconversie kan uitvoeren en veelzijdige beeldbewerking kan uitvoeren. Onze experimentele resultaten tonen aan dat Ming-Omni een krachtige oplossing biedt voor uniforme waarneming en generatie over alle modaliteiten. Opmerkelijk is dat ons voorgestelde Ming-Omni het eerste open-source model is waarvan wij weten dat het GPT-4o evenaart in modaliteitsondersteuning, en we geven alle code en modelgewichten vrij om verder onderzoek en ontwikkeling in de gemeenschap aan te moedigen.
English
We propose Ming-Omni, a unified multimodal model capable of processing
images, text, audio, and video, while demonstrating strong proficiency in both
speech and image generation. Ming-Omni employs dedicated encoders to extract
tokens from different modalities, which are then processed by Ling, an MoE
architecture equipped with newly proposed modality-specific routers. This
design enables a single model to efficiently process and fuse multimodal inputs
within a unified framework, thereby facilitating diverse tasks without
requiring separate models, task-specific fine-tuning, or structural redesign.
Importantly, Ming-Omni extends beyond conventional multimodal models by
supporting audio and image generation. This is achieved through the integration
of an advanced audio decoder for natural-sounding speech and Ming-Lite-Uni for
high-quality image generation, which also allow the model to engage in
context-aware chatting, perform text-to-speech conversion, and conduct
versatile image editing. Our experimental results showcase Ming-Omni offers a
powerful solution for unified perception and generation across all modalities.
Notably, our proposed Ming-Omni is the first open-source model we are aware of
to match GPT-4o in modality support, and we release all code and model weights
to encourage further research and development in the community.