Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: wav2vec2 · dense
Базовая модель: wav2vec2-base
Библиотека: transformers
Опубликована: 23 июл 2026

Ссылки

my_awesome_mind_model

Классификация текстаТекст → label3 профессии

Дообученная модель Wav2Vec2 для классификации аудио, результаты которой на оценочной выборке показывают низкую точность.

7скачиваний за 30 дней0лайковвеса обновлены23 июл 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

my_awesome_mind_model — дообученная Michael10098 модель facebook/wav2vec2-base для классификации аудио. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров; модель доступна в формате Safetensors и распространяется по лицензии Apache-2.0.

Модель принимает аудио и выдаёт метку класса. README не описывает назначение классов, датасет или предполагаемые сценарии применения, поэтому область классификации определить нельзя. На указанной в карточке оценочной выборке точность составила 0,0531, а loss — 2,6724; эти результаты указывают на низкое качество классификации.

Сценарии применения

классификация аудиозаписей по классам обучающей выборки
экспериментальная проверка аудиоклассификатора

Ограничения

README не сообщает, какие классы предсказывает модель и на каких данных она обучена. Указанная точность на оценочной выборке составляет 0,0531.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

my_awesome_mind_model

This model is a fine-tuned version of facebook/wav2vec2-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 2.6724
Accuracy: 0.0531

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 3e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 128
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 0.1
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	4	2.6356	0.0885
No log	2.0	8	2.6448	0.0619
10.0269	3.0	12	2.6572	0.0442
10.0269	4.0	16	2.6589	0.0442
9.6842	5.0	20	2.6650	0.0531
9.6842	6.0	24	2.6698	0.0619
9.6842	7.0	28	2.6710	0.0619
9.9300	8.0	32	2.6722	0.0619
9.9300	9.0	36	2.6725	0.0531
9.6698	10.0	40	2.6724	0.0531

Framework versions

Transformers 5.14.1
Pytorch 2.13.0+cu130
Datasets 5.0.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Для архитектуры wav2vec2 нет загрузчика под задачу text-classification.

Класс архитектуры: Wav2Vec2ForSequenceClassification
Ревизия весов: 36d7392