Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: wav2vec2 · dense
Базовая модель: wav2vec2-base
Библиотека: transformers
Опубликована: 18 сен 2026

Ссылки

Hugging Face

my_awesome_mind_model

sedori92

Классификация текстаТекст → label3 профессии

Дообученная wav2vec 2.0 модель для классификации аудио, назначение классов которой не раскрыто.

70скачиваний за 30 дней0лайковвеса обновлены18 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

my_awesome_mind_model — дообученная на неизвестном наборе данных модель классификации аудио на базе facebook/wav2vec2-base. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Основная задача по метаданным Hugging Face — audio-classification; лицензия — Apache-2.0.

На оценочном наборе указаны loss 2,6709 и accuracy 0,0796. Назначение классов, данные обучения и конкретные сценарии применения не описаны, а приведённая точность не подтверждает пригодность модели для практического использования.

Сценарии применения

Эксперименты с классификацией аудиозаписей
Проверка дообучения Wav2Vec2 для классификации аудио
Оценка модели на собственном наборе аудиоданных

Ограничения

Набор классов и данные обучения неизвестны. Указанная точность на оценочном наборе составляет 0,0796, поэтому пригодность модели для прикладного использования не подтверждена.

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: 2.6709
Accuracy: 0.0796

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: 3
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	4	2.6588	0.0177
No log	2.0	8	2.6641	0.0177
10.0074	3.0	12	2.6667	0.0265
10.0074	4.0	16	2.6719	0.0531
9.7094	5.0	20	2.6752	0.0531
9.7094	6.0	24	2.6739	0.0531
9.7094	7.0	28	2.6730	0.0442
9.9386	8.0	32	2.6689	0.0619
9.9386	9.0	36	2.6704	0.0708
9.7056	10.0	40	2.6709	0.0796

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 4.8.5
Tokenizers 0.23.1

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: 1e9e28e