Jina AI 从多模态大模型中拆出 1.1B 音频向量模型

Jina AI 分享了音频向量模型的构建方法：从 Qwen2.5-Omni 中拆出音频编码器接到小 LLM backbone 上，模块组合方案以 1.1B 参数量在 AudioCaps T2A cvR@5 上达到 49.7，超过 CLAP 的 42.0，且只用了 CLAP 约 1/25 的训练数据（181K 对）。