/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
63,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_omni_moe · dense
Базовая модель
Qwen3-Omni-30B-A3B-Captioner
Библиотека
transformers
Опубликована
1 июн 2026

AnyAudio-Judge-30B

Распознавание речиАудио, текст → текст4 профессии

Модель оценивает аудиоподписи по отдельным критериям и объясняет ответы аудиодоказательствами.

273скачиваний за 30 дней0лайковвеса обновлены2 июн 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

AnyAudio-Judge-30B — модель для оценки соответствия текстового описания аудиозаписи заданным критериям. Она разработана авторами AnyAudio-Judge на основе Qwen3-Omni-30B-A3B-Captioner и дообучена на корпусе AnyAudio-Judge SFT Corpus; выпущен вариант после этапа SFT без последующего этапа GRPO.

Для каждого пункта рубрики модель отвечает «да» или «нет» и приводит одно предложение с аудиодоказательством. Вероятности ответов по пунктам можно объединять в детальную оценку соответствия, чтобы выявлять частичные расхождения между аудио и подписью. В бенчмарке AnyAudio-Judge Bench авторы сообщают точность 84,45 для английского и 85,26 для китайского; эти результаты относятся к описанной в карточке оценке.

Модель принимает аудио и текстовые инструкции с рубрикой, а выдаёт текстовые ответы и обоснования. Карточка указывает поддержку английского и китайского языков. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • проверка точности текстовой подписи к аудиозаписи
  • оценка соответствия аудиоописания заданной рубрике
  • выявление частичных расхождений между звуком и описанием
  • сравнение качества аудиоподписей по проверяемым критериям

Ограничения

Выпуск содержит только этап SFT; улучшение от отдельного этапа GRPO в эту версию не включено. Заявленные показатели точности получены на AnyAudio-Judge Bench и сами по себе не гарантируют качество на других наборах данных.

Для каких профессий подходит4

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

AnyAudio-Judge-30B

AnyAudio-Judge-30B is the dynamic rubric-based audio judge reported in the paper. It is initialized from Qwen3-Omni-30B-A3B-Captioner and fine-tuned on the AnyAudio-Judge SFT Corpus.

For each binary rubric item describing one verifiable aspect of an audio caption, the model predicts yes / no and produces a one-sentence evidence string drawn from what it heard in the audio. Aggregating the per-item soft probabilities yields a fine-grained alignment score that is significantly more sensitive to partial mismatches than a single holistic match/mismatch judgment.

Companion benchmark: cucl2/AnyAudio-Judge-Bench Companion corpus: cucl2/AnyAudio-Judge-Corpus Smaller variant: cucl2/AnyAudio-Judge-7B

Headline numbers (AnyAudio-Judge Bench, accuracy ↑)

ModelAvg (en)Avg (zh)
Qwen3-Omni-30B-A3B-Captioner (dynamic rubric, no fine-tuning)76.7776.66
Gemini-2.5-Pro (holistic)77.7280.01
AnyAudio-Judge-30B (this checkpoint)84.4585.26

Training

  • Base: Qwen3-Omni-30B-A3B-Captioner
  • Corpus: 105K (audio, instruction, rubric, CoT) tuples
  • Stage 1 — SFT: full-parameter fine-tuning, 1 epoch, 16 × H20 96GB, lr 1e-5, per-device bs 4
  • Stage 2 — GRPO (separate release): LoRA r=16, α=32, 1 epoch on 8,454 hard samples

This release contains the SFT-only stage (matching the "+SFT" row of the ablation table). The +GRPO improvement reported in the paper can be reproduced by running GRPO on top of this checkpoint.

Usage

from anyaudio_judge import AnyAudioJudge, decompose_instruction

caption = "A gentle, delicate female voice, with soft and smooth pitch, calm and restrained throughout."
rubric  = decompose_instruction(caption)

judge = AnyAudioJudge.from_pretrained("cucl2/AnyAudio-Judge-30B")
result = judge.judge("./demo.wav", rubric)
print("alignment_score:", result.score)
for item in result.items:
    print(item.question, "->", item.answer)

License

Apache-2.0, inheriting the license of the base Qwen3-Omni-30B-A3B-Captioner model.

Citation

@misc{anyaudiojudge2026,
  title  = {AnyAudio-Judge: A Dynamic Rubric-Based Benchmark and Evaluator for Audio Instruction Following},
  author = {Anonymous Authors},
  year   = {2026},
  note   = {Preprint, under submission}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3OmniMoeForConditionalGeneration
Ревизия весов
7fd66d3

0 моделей