MOSS-Audio Открытая модель понимания аудио. Понимает речь, музыку, звуки окружения, отвечает на вопросы об аудио и умеет рассуждать по шагам (chain-of-thought). Четыре варианта: 4B и 8B, Instruct и Thinking • транскрипция речи с таймштами слов и предложений • анализ говорящего: пол, возраст, акцент, эмоции • описание сцены по фоновым звукам • музыка: стиль, инструменты, эмоциональное развитие • время-ориентированные вопросы - что произошло когда • свой аудиоэнкодер 12.5 Гц + Qwen3 в качестве языковой базы • DeepStack - фиче-инъекция от ранних слоев энкодера в LM • тайм-маркеры вшиты в претрейн - модель учит хронологию Гитхаб HF #alm MAX