【阿里拥抱开源】阿里inclusionAI开源多模态Ming-flash-omni 2.0

Ming-flash-omni 2.0

简介

全新发布的Ming-flash-omni 2.0采用Ling-2.0架构------这是一种包含1000亿总参数和60亿活跃参数的混合专家模型(MoE)框架。相比前代产品实现了代际跨越，在开源全能多模态大语言模型领域创下了新的性能标杆。该版本成功实现了基础能力与专业领域知识的协同增效，尤其在视觉百科知识、沉浸式语音合成以及高动态图像生成与编辑方面展现出卓越性能。

📌 更新动态

$2026.02.11$ 🔥 正式发布开源多模态大模型Ming-flash-omni 2.0，突破多模态理解与生成边界
$2025.10.27$ 🔥 发布Ming-flash-omni预览版：Ming-flash-omni预览版
$2025.07.15$ 🔥 发布Ming-lite-omni v1.5，全模态能力显著提升
$2025.06.12$ 🔥 技术报告Technical Report在arxiv公开
$2025.05.28$ 🔥 正式发布Ming-lite-omni v1，性能更优且支持图像生成
$2025.05.04$ 🔥 发布Ming-lite-omni测试版：Ming-lite-omni预览版

核心特性

相较于Ming-flash-omni预览版，Ming-flash-omni 2.0重点优化了以下关键领域能力：

专家级多模态认知：精准识别动植物品类，理解文化符号（从地域美食到世界地标），并能对文物进行年代、形制与工艺的专家级解析。通过高分辨率视觉捕捉与超大规模知识图谱的协同，实现"视觉到知识"的合成，达成卓越的知识理解能力。
沉浸可控的统一声学合成：首创端到端统一声学生成架构，在单一通道内实现语音、音效与音乐的协同生成。采用连续自回归框架配合扩散Transformer(DiT)头部，支持零样本语音克隆及细粒度属性控制（如情绪、音色、环境氛围），实现从普通文本转语音到高表现力、情感共鸣的沉浸式听觉体验跃迁。
高动态可控图像生成与编辑：原生多任务架构统一分割、生成与编辑功能，支持精细化的时空语义解耦。在氛围重建、场景无缝合成、上下文感知的物体移除等高动态内容创作中表现卓越，通过纹理连贯性与空间深度一致性保持，在复杂图像处理任务中达到业界顶尖精度。

模型下载

您可以从Huggingface和ModelScope下载我们的最新模型。如需获取旧版本模型（如Ming-flash-omni-Preview），请参考此链接。

模型	输入模态	输出模态	下载
Ming-flash-omni 2.0	图像、文本、视频、音频	图像、文本、音频	🤗 HuggingFace 🤖 ModelScope

如果您在中国大陆，我们强烈建议您从 🤖 ModelScope 下载我们的模型。

复制代码

pip install modelscope
modelscope download --model inclusionAI/Ming-flash-omni-2.0 --local_dir inclusionAI/Ming-flash-omni-2.0  --revision master

注：此下载过程将耗时数分钟至数小时，具体取决于您的网络状况。

环境准备

通过pip安装

shell 复制代码

pip install -r requirements.txt
pip install nvidia-cublas-cu12==12.4.5.8  # for H20 GPU

示例用法

我们提供一个逐步运行的示例：

第一步 - 下载源代码

复制代码

git clone https://github.com/inclusionAI/Ming.git 
cd Ming

第二步 - 下载模型权重并为源代码目录创建软链接

按照模型下载下载我们的模型

shell 复制代码

mkdir inclusionAI 
ln -s /path/to/inclusionAI/Ming-flash-omni-2.0 inclusionAI/Ming-flash-omni-2.0

第三步 - 进入代码目录，您可参考以下代码运行Ming-flash-omni模型。

shell 复制代码

jupyter notebook cookbook.ipynb

我们还提供了一个关于该仓库用法的简单示例。详细使用方法请参阅 cookbook.ipynb。

python 复制代码

import os
import torch
import warnings
from bisect import bisect_left
warnings.filterwarnings("ignore")

from transformers import AutoProcessor
from modeling_bailingmm2 import BailingMM2NativeForConditionalGeneration

def split_model():
    device_map = {}
    world_size = torch.cuda.device_count()
    num_layers = 32
    layer_per_gpu = num_layers // world_size
    layer_per_gpu = [i * layer_per_gpu for i in range(1, world_size + 1)]
    for i in range(num_layers):
        device_map[f'model.model.layers.{i}'] = bisect_left(layer_per_gpu, i)
    device_map['vision'] = 0
    device_map['audio'] = 0
    device_map['linear_proj'] = 0
    device_map['linear_proj_audio'] = 0
    device_map['model.model.word_embeddings.weight'] = 0
    device_map['model.model.norm.weight'] = 0
    device_map['model.lm_head.weight'] = 0
    device_map['model.model.norm'] = 0
    device_map[f'model.model.layers.{num_layers - 1}'] = 0
    return device_map

# Load pre-trained model with optimized settings, this will take ~10 minutes
model_path = "inclusionAI/Ming-flash-omni-2.0"
model = BailingMM2NativeForConditionalGeneration.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map=split_model(),
    load_image_gen=True,
    load_talker=True,
).to(dtype=torch.bfloat16)

# Initialize processor for handling multimodal inputs
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)

# Inference Pipeline
def generate(messages, processor, model, sys_prompt_exp=None, use_cot_system_prompt=False, max_new_tokens=512):
    text = processor.apply_chat_template(
        messages, 
        sys_prompt_exp=sys_prompt_exp,
        use_cot_system_prompt=use_cot_system_prompt
    )
    image_inputs, video_inputs, audio_inputs = processor.process_vision_info(messages)

    inputs = processor(
        text=[text],
        images=image_inputs,
        videos=video_inputs,
        audios=audio_inputs,
        return_tensors="pt",
        audio_kwargs={"use_whisper_encoder": True},
    ).to(model.device)

    for k in inputs.keys():
        if k == "pixel_values" or k == "pixel_values_videos" or k == "audio_feats":
            inputs[k] = inputs[k].to(dtype=torch.bfloat16)

    with torch.no_grad():
        generated_ids = model.generate(
            **inputs,
            max_new_tokens=max_new_tokens,
            use_cache=True,
            eos_token_id=processor.gen_terminator,
            num_logits_to_keep=1,
        )

    generated_ids_trimmed = [
        out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
    ]

    output_text = processor.batch_decode(
        generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
    )[0]

    return output_text

# qa
messages = [
    {
        "role": "HUMAN",
        "content": [
            {"type": "text", "text": "请详细介绍鹦鹉的生活习性。"}
        ],
    },
]
output_text = generate(messages, processor=processor, model=model)
print(output_text)
# Output:

# 鹦鹉是一种非常受欢迎的宠物鸟类，它们以其鲜艳的羽毛、聪明的头脑和模仿人类语言的能力而闻名。鹦鹉的生活习性非常丰富，以下是一些主要的习性：

# 1. **社交性**：鹦鹉是高度社交的鸟类，它们在野外通常生活在群体中，与同伴互动、玩耍和寻找食物。在家庭环境中，鹦鹉需要与人类或其他鹦鹉进行定期的互动，以保持其心理健康。

# 2. **智力**：鹦鹉拥有非常高的智力，它们能够学习各种技能，包括模仿人类语言、识别物体、解决问题等。这种智力使它们成为非常有趣的宠物。

# ......