/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_omni_moe · dense
Базовая модель
Qwen3-Omni-30B-A3B-Instruct
Библиотека
transformers
Опубликована
26 авг 2026

A2R-30B-A3B

Распознавание речиАудио, текст → текст3 профессии

A2R-30B-A3B — дообученная модель Qwen3-Omni для определения говорящих и ответов на вопросы по аудиозаписям.

70скачиваний за 30 дней2лайкавеса обновлены1 сен 2026

Бенчмарки

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

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

A2R-30B-A3B — дообученная мультимодальная модель PleasedPenguin на базе Qwen/Qwen3-Omni-30B-A3B-Instruct. Она отвечает на вопросы о говорящих в аудиозаписи, определяя, кто произносит реплики, а не только распознавая сказанное. Модель обучена методом GRPO на CASH-60K и предназначена для задач атрибуции говорящих и анализа многоголосых аудиозаписей.

Модель использует архитектуру Qwen3 Omni MoE и загружается как объединённый чекпойнт через Transformers без отдельного шага подключения адаптера. Входная модальность — аудио, результат — текст; карточка указывает английский язык. Репозиторий распространяется под лицензией Apache 2.0. В README формат структурированного блока ответа описан частично, поэтому для разбора результата следует учитывать указанное в карточке требование анализировать последний блок.

Сценарии применения

  • определение, кто произносит реплики в аудиозаписи
  • атрибуция реплик участникам многоголосого разговора
  • ответы на вопросы о говорящих в аудиоклипе

Ограничения

README предупреждает, что для разбора ответа нужно извлекать последний структурированный блок: текст рассуждений может содержать цитируемые варианты ответа. Описанный в README сценарий с несколькими аудио подаёт их как одну волну, а эталонные голоса добавляются после основного клипа.

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

A2R-30B-A3B

🎉 EMNLP 2026 main conference 🎉

📄 arXiv  ·  🌐 Project page  ·  💻 Code  ·  🤗 Dataset

A2R answers questions about who is speaking, not only what is said. It is Qwen/Qwen3-Omni-30B-A3B-Instruct trained with GRPO on CASH-60K.

This is the merged model. Load it directly, no adapter step.

Usage

from transformers import Qwen3OmniMoeForConditionalGeneration, AutoProcessor

model = Qwen3OmniMoeForConditionalGeneration.from_pretrained(
    "PleasedPenguin/A2R-30B-A3B", dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained("PleasedPenguin/A2R-30B-A3B")
vllm serve PleasedPenguin/A2R-30B-A3B --max-model-len 32768

Output format

A2R reasons before it answers, and closes with a structured block:

<reasoning> … </reasoning><answer>{"Answer": "B"}</answer>

Parse the last <answer> block. Scanning the whole string will pick up option letters quoted inside the reasoning trace.

Multiple audio inputs are presented as a single waveform, with any reference voices appended after the main clip. The evaluation harness assembles this for you.

Citation

@misc{lee2026hearsaidwhatunlocking,
  title         = {HEAR Who Said What: Unlocking Speaker-Attributed Reasoning
                   via Counterfactual Voice Grounding},
  author        = {Dongwook Lee and Sangkwon Park and Eunwoo Song and Che Hyun Lee
                   and Youngho Cho and Junho Kim and June Young Yi and Heeseung Kim
                   and Sungroh Yoon},
  year          = {2026},
  eprint        = {2608.29120},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL},
  url           = {https://arxiv.org/abs/2608.29120}
}

License

Apache 2.0, inherited from Qwen/Qwen3-Omni-30B-A3B-Instruct.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
Qwen3OmniMoeForConditionalGeneration
Ревизия весов
2eac73c

0 моделей