OmniTools 7月8日消息，英伟达（NVIDIA）正式发布 Audex（Nemotron-Labs-Audex-30B-A3B），一款支持音频与文本联合理解与生成的统一多模态大语言模型。该模型基于 30B 参数的 MoE Transformer 解码器架构，每 token 激活 3B 参数，上下文长度达 100 万 token，并支持指令模式与思考模式。
Audex 将音频输入编码后投影至文本嵌入空间，实现文本与音频 token 的统一处理；训练采用多阶段监督微调（SFT）加文本专用 Cascade RL 方法，以维持骨干模型的文本能力。在文本基准测试中，MMLU-Redux 得分为 86.4，IMO AnswerBench 为 81.1；语音识别方面，OpenASR 词错误率为 6.82，优于 Step-Audio-R1.1-33B 和 Qwen3-Omni-30B-A3B-Thinking。模型还支持非语音类音频生成。
Audex 系列模型权重（含 Audex-2B）已以非商业许可形式开源发布。
