Global LLM参数规模为 8B，逐帧预测第 1 个 RVQ 码本，负责建模歌曲的长程语义与结构变化；Global LLM 基于 Qwen3-8B 初始化，训练时先适配音乐语义词元的嵌入层和输出层，随后与 Local LLM 联合建模全部 RVQ 码本。

　　Local LLM参数规模为 0.6B，预测每一帧中其余声学码本，恢复细粒度声学信息。

　　在输出方面，该模型生成的单首歌曲时长最长为 5 分钟，输出格式为 32kHz、16-bit 立体声 WAV 文件。

　　官方称，模型能够在长音频中保持音乐主题、节奏、歌声身份和编曲推进，覆盖前奏、主歌、预副歌、副歌、桥段、器乐间奏和尾奏等结构。