开源项目 homi 是一个面向音频的开放「决策模型」：输入一段音频和一个问题，模型为每个选项返回概率，不生成文本。项目署名为 Outlier Humans Inc.。项目方称，homi 在 VocalGrad 基准上超过 Gemini Flash，在 MMSU 上与之相当，且单题成本低得多。以下成绩与成本均来自项目方自测。
项目指出，许多关于语气、语调和发音的问题无法仅凭转写文字回答。例如，问题是「说话人感觉如何」，选项为愤怒、开心、悲伤、恐惧、厌恶。homi 直接接收音频并回答这类问题，可用于低成本监测和评估大规模音频。
homi 以 Qwen3-Omni-30B-A3B-Instruct 为底座，冻结权重，用决策头替换语言模型输出头，并增加 1700 万参数的 LoRA 和一个校准温度参数。它支持三类问题：
项目称，测试每个模型时使用相同的音频、问题和选项，未作答计为答错。
成本方面，homi 按单张 H200 的 GPU 使用时间计算，价格为 4.54 美元/小时，采用批量运行；API 模型则按报告的 token 数和标价计算，其中 Gemini 3.8 Flash 使用促销价。每万题的成本为：在 VocalGrad 上，homi 为 0.12 美元，Gemini 3.8 Flash 为 12.10 美元；在 MMSU 上，两者分别为 0.28 美元和 14.80 美元。
项目还称，gpt-audio 在 MMSU 上有 13% 的题目未作答，在 VocalGrad 上有 34% 的题目未作答，原因是拒答或要求「播放音频」。仅计算已作答的题目时，得分分别为 69.5 和 51.2。
校准方面，homi 在 VocalGrad 上表现得过度自信：最自信的一组回答平均置信度为 98%，正确率为 85%。项目方称，MMSU 的音频和文本均未包含在训练数据中，MMSU 使用的源数据集也不在其中。
项目列出的弱项包括：判断说话人数量时通常少报一个、处理多人长对话、完成押韵对句，以及根据停顿进行推理。
运行需要具有约 70 GB 空闲显存的 GPU（bf16）。在 H200 上，对短音频的三个问题执行一次批量前向计算约需 75 毫秒。代码采用 Apache-2.0 许可，Hugging Face 上的权重同样采用 Apache-2.0 许可。
