/ Модель

Характеристики

Размер весов
23,9 ГБ
Архитектура
gemma4_unified · dense
Базовая модель
gemma-4-12B-it
Библиотека
transformers
Опубликована
14 сен 2026

gemma4-12b-it-medivoice-baseline-omni-gepard-v1

Распознавание речиАудио, текст → текст3 профессии

Дообученная Gemma 4 12B Instruct обрабатывает аудиореплики в MediVoice, выдавая вызовы функций и транскрипцию текущей реплики.

64скачиваний за 30 дней0лайковвеса обновлены14 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Medivoice baseline-omni-gepard-v1 — дообученная и слитая с базовой моделью версия Google Gemma 4 12B Instruct, подготовленная для MediVoice. Она принимает аудиореплику звонящего вместе с предыдущим контекстом разговора и системными инструкциями практики, затем формирует вызовы функций MediVoice DSL и ровно одну текстовую аннотацию с транскрипцией текущей реплики. Текстовые продолжения после ответа инструмента не сопровождаются транскрипцией.

Модель основана на плотной мультимодальной архитектуре Gemma 4 Unified и предназначена для обработки аудио в сценариях голосового взаимодействия с практикой. В README описано обучение LoRA-адаптера, объединённого с полной базовой моделью; аудиоэнкодер при обучении оставался замороженным. Карточка указывает немецкий язык. Модель помечена как внутренний исследовательский артефакт: она не проверена для клинического или производственного применения. На синтетическом аудио точное совпадение разобранных вызовов функций составило 19,1%, а средний WER транскрипции — 18,2%. Для использования нужно удалять аннотацию transcript(...) перед отправкой вызовов практической API. Условия лицензии в предоставленных данных не описаны.

Сценарии применения

  • обработка аудиореплик звонящих в системе MediVoice
  • формирование вызовов MediVoice API по ходу разговора
  • транскрибирование текущей реплики на немецком языке

Ограничения

Модель обучалась и оценивалась на синтетическом аудио; качество на реальных звонках не проверено, точное совпадение вызовов функций на тесте составило 19,1%, а средний WER транскрипции — 18,2%. Не валидирована для клинического или производственного применения; перед отправкой вызовов API необходимо удалить аннотацию transcript(...).

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Medivoice baseline-omni-gepard-v1 (merged)

LoRA fine-tune of google/gemma-4-12B-it (revision 707f0a3b8a3c7ad586ed01e27eafbad8a27dd0f7) merged into the full model, from run baseline-omni-gepard-v1, best checkpoint 766. The model takes a practice's historical system instructions, the conversation so far and the caller's audio turn, and answers with MediVoice DSL function calls followed by exactly one transcript("...") annotation of the current utterance. Text-only tool continuations (tool result -> next calls) carry no transcript.

Output contract appended to the system prompt during training:

The final user input is audio. Respond with the appropriate MediVoice API function calls first, followed by exactly one transcript("...") annotation containing the current utterance. transcript is a training annotation, not an executable practice API function. Do not transcribe earlier turns.

Serving code must parse and strip the transcript(...) annotation before dispatching practice calls.

Training

AdapterLoRA r=16, alpha=32, dropout 0.05 on q/k/v/o/gate/up/down of the language model (328 modules); audio encoder frozen
OptimizerAdamW lr 5e-5, wd 0.01, cosine schedule, 3% warmup, grad accumulation 16, 2 epochs = 766 steps, seed 1729
Losstarget-only cross-entropy incl. the transcript annotation; max length 32768, no truncation
Data6,121 train sources (3,550 audio + 2,571 text continuations); 6,186 synthetic audio variants (OmniVoice, Gepard TTS) accepted by ASR agreement
Compute1x H200, 17.7 h

Metrics (synthetic audio, session split; not real-call performance)

Mean target-token loss / sourceAudioText continuation
Base model, adapter disabled (validation)2.3111.494
Checkpoint 766 (validation)0.2650.262
Checkpoint 766 (test)0.2720.193

Held-out greedy generation, source-balanced, rescored against historical labels: exact parsed-call agreement 19.1% (audio) / 34.8% (text); call-name sequence agreement 75.1% / 87.2%; transcript exact agreement 67.5%, mean WER 18.2%. Historical labels are not gold; see the training repo's curation docs.

Full details in training_metadata.json. Source: medivoice-training repo, branch mr-first. Internal research artifact; not validated for production or clinical use.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma4UnifiedForConditionalGeneration
Ревизия весов
2018e18

0 моделей