生成式音訊
YuE2 以可編輯樂譜銜接完整歌曲生成，更新評測揭露 best-of-8 成本差異
YuE2-3B 先生成 ABC 旋律與和弦，再以共享注意力的 AR／NAR 架構合成 48 kHz 歌曲，讓使用者可在音訊渲染前直接修改作曲。9 月 12 日更新的 WildSongBench 將它列於 17 組系統首位，但領先結果使用八選一，不能與多數系統的雙候選設定直接等價。
YuE2 把長篇歌曲生成拆成可觀察的中間表示：輸入歌詞與風格後，模型先輸出 ABC 格式的主旋律及和弦，再生成語意音樂 token、以 flow matching 產生聲學 latent，最後由 VAE 解碼為 48 kHz 立體聲。這使「改副歌和聲、保留人聲旋律、轉換編曲」不必只靠自然語言反覆抽樣，而能先編輯樂譜再重新渲染。[專案文件](https://github.com/multimodal-art-projection/YuE)也公開 `plan()`、`generate_semantic()`、`synthesize()` 與 `decode()` 等分階段介面。
核心生成器約 35.9 億參數、28 層，採 AR–NAR Mixture-of-Transformers。自回歸與非自回歸專家共用注意力計算，但保有各自的正規化、投影及 MLP：前者負責樂譜與語意序列，後者處理聲學生成。建立歌曲、零樣本翻唱及編輯使用同一 checkpoint，只是樂譜來源不同；翻唱流程可先用獨立的 SheetSage2 將原音訊轉成旋律，再讓 YuE2 依新歌詞與風格重新演奏。
9 月 12 日更新的 [WildSongBench 結果](https://huggingface.co/datasets/m-a-p/WildSongBench/blob/main/benchmark/results.md)涵蓋 192 個提示、17 組開放及封閉系統。YuE2 best-of-8 的 SongBench 平均為 6.9632，高於表中的 Mureka 9、Suno v5 與 Suno v6；標準雙候選 YuE2 則為 6.7316。這個差距同時揭露重要限制：最高成績先生成八首，再按自動音樂性、控制度與音素錯誤率挑選；其他系統的候選數和交付協定並不一致，而且小幅均值差異沒有統計顯著性證明，也不是人類偏好測試。
工程部署目前要求 Python 3.12、支援 BF16 的 NVIDIA GPU及約 24 GB VRAM；程式碼採 Apache 2.0，模型權重則是限制商用的 CC BY-NC 4.0。[模型卡](https://huggingface.co/m-a-p/YuE2-3B)已提供權重與重現資源，但技術報告仍未發布。接下來應觀察單候選品質、生成延遲與記憶體量測，以及可編輯符號計畫是否真的提升人類工作流效率，而不只是提高自動評分。