YuE2 官方只说"与 Suno v5/v6 有竞争力"：真正的增量是那张能改的谱，不是屠榜

综述

一篇流传很广的公众号文章把开源 AI 音乐模型 YuE2 写成"一夜变天""狂飙逆袭 Suno"，并给出两组数字：人类盲听竞技场 MusicArena 上「全球第 4，ELO 1197，把 Suno V5.5（第 5，1187）压在身下」；WildSongBench 上 best-of-8 得分 6.9632，超过 Suno v5 的 6.8721、v5.5 的 6.7150、v6 的 6.5562；许可证是「CC BY-NC 4.0 非商业」。

一手材料出来后，这几件事得分别摆正。

YuE2 的技术报告在 arXiv 上的编号是 2609.33757（eess.AS，提交于 2026-09-27，56 页，标题 YuE2: Unifying Symbolic and Audio Music Generation at Frontier Quality，35 位作者），官方仓库是 github.com/multimodal-art-projection/YuE，权重挂在 m-a-p/YuE2-3B。仓库首页我们当场读到：12.1k star、1.4k fork、106 watcher、190 commits、最近一次提交是 2026-10-06——所以"1.1 万 star"这个说法没问题，是转述里少数站得住的数字。

README 的原话是：「YuE2 is competitive with Suno v5/v6 on WildSongBench. YuE2 (best-of-8) achieves 6.9632 SongBench Avg, the highest observed mean among all evaluated settings.」 注意它用的是 competitive with，不是 beat、不是 crush。而论文摘要的措辞更收敛：「Expert listening further establishes its competitiveness with proprietary song generators, favoring best-of-8 over Suno v4.5 and yielding nearly balanced preferences against Suno v5.」——对 Suno v4.5 占优，对 Suno v5 近乎持平。

至于「MusicArena 全球第 4 / ELO 1197 / Suno V5.5 第 5 / 1187」这组数：官方 README 里确实挂着一个 Music Arena 入口，而且是团队自己在跑的公开盲听投票（"YuE2 needs your ears……Hear anonymous clips and choose A, B, or a tie. No account needed"），但这份榜单上当前的名次与 Elo 分值我们没有当场核到；同一张表里被拿来对比的 "Suno v5.5" 也没有找到对应出处。这篇文章把这三组数字按可信度分了三档，因为后面所有判断都要靠它们站得住。

专业分析

一、6.96 和 6.73 是两件事，混着说就成了"屠榜"

论文与 README 给的是同一张 WildSongBench（192 条提示词，中英语料，基准集在 m-a-p/WildSongBench）上的两个设定：

两个措辞的差别非常讲究，也最容易被抹平。6.73 那句的边界是"公开基线"，意思是把范围限定在开源可复现的那一批里它第一；6.96 那句的边界是"设定（settings）"，best-of-8 本身是一个花了 8 倍算力的抽样策略，把它和别人的单次生成放同一列比，就是转述文章里"把商业巨头按在地上打"的来路。

有意思的是，转述文章反过来写"如果只看点一次生成的常规模式，YuE2 均分约 6.73，与商业旗舰同一战壕"——这句其实比"屠榜"那段准确得多，只是它被放在了标题的对立面。所以正确的一句话是：单次生成，它赢了所有公开对手，和 Suno 打平手；八次挑一首，它是目前这张表上的最高分。

同一个表里还有一个数字值得一提，因为转述文章完全没提：Mureka 9 是 6.9377。也就是说 best-of-8 的 YuE2 领先第二名不到 0.03 分。这个差距在任何主观评分量表上都属于噪声级别，把它讲成"按在地上打"需要额外的勇气。

二、真正被低估的不是分数，是那张能改的谱

技术报告的核心主张其实是架构层的，摘要第一句就把问题点出来了：符号模型能把旋律、和声、节奏、曲式写明白，但通常到不了成品录音；音频模型能出完整歌曲，但作曲过程是隐式的。 YuE2 要做的是用一个 AR-NAR Mixture-of-Transformers 骨干把两端打通：先写出一份可读的谱（旋律与和声），展开成语义音乐 token，再实现成带人声与伴奏的完整音频。

这条路线带来三个能力，都是"抽卡式"音频模型给不了的：

1. 白盒可控。 README 的说法是「Read, play, and change the composition before rendering it. Melody and chords become explicit controls that a person or an agent can inspect and edit.」——渲染之前就能读、能弹、能改，旋律与和弦成了显式控件。
2. 同一个 checkpoint 做零样本翻唱与改歌。「Reimagine a transcribed song in a new style, or refine a song through a conversation about its score, arrangement, and lyrics—all with the same generation checkpoint.」不用针对翻唱单独训练。
3. agentic music editing。 谱是可读文本，所以外部语言模型能把"副歌那段钢琴太吵"这句反馈翻译成对乐曲的修改。这才是 AI 音乐工作流里第一次出现"可以对话式微调的对象"——过去你面对的是一个 mp3，改不了，只能重摇。

同一 checkpoint 内还有硬数据支持这条路线的价值：在相同权重的前提下做对照，专家对"有符号规划"的整体偏好是 49.3%，"无规划直出"是 34.6%；并且统一模型比"语言模型 + 扩散 Transformer 分开做"更受偏好。这个 49.3/34.6 是方法内部的消融对比，不是对 Suno 的胜负比——转述文章把它放在"碾压"的语境里，属于张冠李戴。

支撑这套路线的还有两个配套模型：MERT2（语义监督，报告称在 15 项 MARBLE 指标中的 14 项创下新 SOTA）与 SheetSage2（把录音反推成谱，用于翻唱与乐谱编辑，报告称在 15 组基准-指标对中领先 12 组）。它们的意义是让"没有对齐乐谱的录音"也能拿来学作曲——符号监督的瓶颈被转录模型补上了。

顺带一提，仓库里有个 skills/yue2-music 目录：2026-09-25 起，这个 agent skill 能把一句描述、一份 ABC 谱或一段参考录音变成器乐作品，默认由 YuE2 写谱。音乐生成第一次以"给 agent 装的技能"形态发布，这和站内 Archify 把仓库画成架构图的技能 是同一种分发方式的变化——模型厂商开始把入口做成 skill，而不是做成网页。

三、许可证：不是 CC BY-NC，而是"代码 Apache + 权重单独一份"

这是整件事上被讲错得最实在的一块，而且错得很有代表性。

仓库文件列表里躺着两份许可：LICENSE，提交说明写着「License YuE2 repository code and skill under Apache 2.0」（2026-09-10）；以及 MODEL_LICENSE，提交说明写着「Separate free academic use from individual output monetization」（2026-09-16），同一批改动还更新了 THIRD_PARTY_NOTICES.md。

这三行提交信息本身就把政策结构说清楚了：

• 代码与 skill 走 Apache-2.0——工程上可以随便集成、改、发。
• 权重另有 MODEL_LICENSE，不等同于 Apache。
• 而且它专门做了一次切分："免费学术用途"与"个人把自己产出变现"分开处理。这意味着转述文章那句"个人独立创作者卖自己生成的歌没问题，但想包装成商用 App 赚钱必须另外获取授权"，方向是对的；但"CC BY-NC 4.0"这个定性是错的——CC BY-NC 是一刀切禁止所有商业用途的许可证，跟"个人产出变现被单独允许"正好相反。

为什么这种错会大面积出现？因为 Hugging Face 的模型卡有一个 license 元数据字段，抓取工具和摘要站点都读它。元数据写 apache-2.0，于是"全 Apache"；转述者知道不该信元数据，去查了个"最严格"的说法填上，于是"CC BY-NC"。两种答案都来自不看 LICENSE 文件正文。 一份模型的真实许可状态，今天需要读至少三个地方：仓库 LICENSE、仓库 MODEL_LICENSE（或等价文件）、模型卡正文里的许可证段落，元数据字段只作辅助。

对照站内同一周的另一篇：Qwen-Image-2.1 把许可证从 Apache 2.0 换成仅限研究的版本。两条线放一起看，2026 年 9 月这个月的开源生成模型有了一个共同结构：权重公开可得，但"能不能拿它赚钱"被单独写成一条，各家给的答案还不一样——YuE2 允许个人变现、对企业部署设条件；Qwen 图像线默认只给研究与评估、商用要邮件谈；音频/视频侧走 API 收口。选模型时，许可证是第 0 个 benchmark。

需要给这句话设个边界：我们核到了两份许可文件的存在与它们的适用范围表述，没有逐条复核 MODEL_LICENSE 全文的具体条款清单（例如企业部署的门槛、衍生命名的要求）。真要投产，请以仓库文件正文为准，别以本文为准。

四、开源侧的算力叙事，同样需要打折

转述里最有感染力的两段是"周末深夜本地跑出一首华尔兹"和「开发者 Ivan Fioravanti 在 M5 Max 上 100% 本地离线跑通 YuE2-3B，还有开发者用 MLX 在 M2 Ultra 上几分钟导出完整曲目」。

一手材料能确认的是：这是一个 3B 级的开源权重模型，官方主张「frontier song quality」，社区报道普遍描述它能在一块 24GB 显存的消费级 GPU 上生成约 5 分钟完整歌曲；官方 README 挂了「Try online (free)」的在线入口。

不能确认的是：Apple Silicon 上的 MLX 移植、M5 Max 全离线运行、M2 Ultra 数分钟导出这几条，我们没有找到可核对的一手记录。 这不是说它们一定假——本地跑通本身门槛不高，移植完全可能存在——只是它们目前的证据等级是"推文与转述"，而"苦于闭源平台限制的创作者们倍感振奋"这类结论，是建在这些推文上的。

同样需要打折的还有"3.58B 参数"这个数：模型名与 HF 仓库都是 YuE2-3B，我们在摘要与首页没有读到明确标注的总参数量。写 3B 级是稳的，写 3.58B 需要一个来源。

还有一点容易被忽略：best-of-8 这个"最强数字"的算力代价是 8 次生成。当本地跑通被当作卖点时，抽卡策略的成本不会消失，只是从订阅费变成了你自己的显存和时间。这与 Volcengine 把语音编辑做成"说错一个字不用重录" 是两个方向的同一件事：能不能局部修改，决定了你为一首歌/一条口播付多少次生成的钱。

五、它自己也在推盲听，这件事值得单独说

YuE2 团队没有只放分和报告，README 顶部挂着一个公开盲听投票入口，规则是听匿名片段、选 A/B/平局、无需账号、建议戴耳机。这个设计有两个后果。

一是评测的可争议性被主动交给了社区：谁都能进去投，样本量随时间变，名次会漂。转述引用的"ELO 1197 第 4 名"如果是某个时刻的快照，那它天然过期得快，不该出现在一篇讲"格局已定"的文章标题里。

二是它和站内 Kandinsky 让声音画面一起长出来、Vidu Q4 把价格打到一秒 9 分钱 那条线撞在了一起：音视频生成模型的竞争指标，正在从"厂商自评的分数"迁移到"公开可参与的偏好投票 + 单位成本"。对使用者来说这是好消息（榜单不再只由发布方掌握），对厂商是坏消息（一次刷分换不来长期位置）。

关联信息与影响

站内相关：Qwen-Image-2.1 的许可证转向与 2GB 显存边缘部署（同一时期、同一类结构变化，一硬一软两份许可文本对照）；火山引擎语音编辑模型（"可局部修改"在语音侧的等价物）；Kandinsky / Vidu Q4 视频生成两连发（音视频同赛道的评价体系迁移）；Archify 交互式架构图技能（模型以 skill 形态分发）。

对谁有用：做音乐工具的团队——YuE2 的代码是 Apache，可以现在就开始评估工程集成，但产品化前必须读 MODEL_LICENSE 并确认自己那类用法落在哪一档；独立创作者——"个人产出变现"被单独切出来这件事，比"开源"两个字更有实际意义；做技术媒体与内容转述的人——这篇里的三处错（把 competitive 写成碾压、把消融偏好度 49.3/34.6 当成对 Suno 的胜负、把 MODEL_LICENSE 说成 CC BY-NC）都不是恶意编造，全是不读一手文件的结果，而这三处错一旦进了标题就会被互相抄。

未来展望

三个可验证的后续。第一，官方公开盲听的实际结果，与论文里"对 Suno v5 近乎持平"是否一致——这能判断团队自评的乐观程度。第二，MERT2 / SheetSage2 的转录质量是否会成为下一个瓶颈：符号路线的一切优势都建立在"谱写得对"上面，谱错了，可编辑性反而会把错误固定下来。第三，报告承认的短板（摘要里没写、但仓库与评测轴里能看到的方向）能否在下一版解决：音素错误率（PER）在 WildSongBench 里作为代理指标存在，本身说明咬字稳定性仍是需要单独量化的问题，而中文与生僻字上的发音漂移是这类模型最难啃的工程活。

信号强度

7.9 / 10

• 技术主张硬度 9/10：符号规划统一 AR-NAR、可读可编辑乐谱、同 checkpoint 零样本翻唱与 agentic editing、消融偏好 49.3% vs 34.6%——全部来自技术报告摘要原文，且方向明确（改的是生成范式，不只是刷分）。
• 榜单证据硬度 6/10：6.73 / 6.9632 与"competitive with Suno v5/v6"为官方口径，可直接引用；但 MusicArena 的名次与 Elo 分值我们未能当场核实，"Suno v5.5"是否存在也没有依据，转述里的 6.7150 / 6.5562 两行请以官方表格为准，本文不作背书。
• 许可合规价值 9/10：LICENSE 与 MODEL_LICENSE 双文件结构、以及"个人产出变现单独处理"这一条，是本周最实用的可执行信息，同时也纠正了一个流传很广的错误定性。
• 扣分项：3B 级模型的具体总参数量、Apple Silicon 本地运行的可复现性、MODEL_LICENSE 全文条款清单，这三项我们都留了口子没有做实；Mureka 9 的 6.9377 与 YuE2 的差距小到不足以支撑任何"碾压"叙事，这一点我们只在文中提示、未做独立盲听复验。

SIGNAL FILE · 情报档案

本站直读 arXiv 2609.33757 摘要页与 GitHub 仓库首页（星数、license 文件、README 原话）；WildSongBench 分项表未逐条复核

本文基于 AI 情报库收录的条目展开深析；事实性信息以原始报道为准，分析与展望为编辑观点。

原始报道：https://github.com/multimodal-art-projection/YuE（GitHub）

查看原始报道 ↗返回首页