Характеристики

Базовая модель: waxal-lid
Библиотека: transformers
Опубликована: 14 июл 2026

Ссылки

Hugging Face

waxal-lid-pseudo

sulaimank

Классификация аудиоАудио → label

Дообученная Wav2Vec2-BERT-модель для классификации аудио по меткам.

0скачиваний за 30 дней0лайковвеса обновлены15 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

sulaimank/waxal-lid-pseudo — дообученная модель на базе sulaimank/waxal-lid, разработанная для классификации аудио. Она использует архитектуру Wav2Vec2-BERT и формат весов Safetensors, работает с аудиовходом и присваивает ему метки классов. В README приведён результат на тестовой выборке: точность 0,9967 и loss 0,0158.

Модель подходит для классификации аудиозаписей в сценариях, соответствующих меткам базовой модели. README не описывает назначение меток, данные обучения и известные ограничения, поэтому конкретные языки и области применения определить нельзя. Условия лицензии в предоставленных данных не указаны.

Сценарии применения

классификация аудиозаписей по меткам модели
автоматическое определение класса аудиофрагмента
оценка аудио в задаче классификации

Ограничения

README не раскрывает набор меток, языки и данные обучения, поэтому область применимости метрик ограничена неизвестным тестовым набором. Лицензия и практические ограничения не указаны в предоставленных данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

waxal-lid-pseudo

This model is a fine-tuned version of sulaimank/waxal-lid on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0158
Model Preparation Time: 0.0071
Acc: 0.9967

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: 1e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 32
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: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Model Preparation Time	Acc
0.0763	0.2501	500	0.0483	0.0071	0.9903
0.0335	0.5003	1000	0.0199	0.0071	0.9948
0.0327	0.7504	1500	0.0231	0.0071	0.9962
0.0211	1.0005	2000	0.0155	0.0071	0.9957
0.0101	1.2506	2500	0.0155	0.0071	0.9960
0.0122	1.5008	3000	0.0143	0.0071	0.9962
0.0105	1.7509	3500	0.0129	0.0071	0.9965
0.0052	2.0010	4000	0.0137	0.0071	0.9965
0.0054	2.2511	4500	0.0155	0.0071	0.9972
0.0039	2.5013	5000	0.0168	0.0071	0.9969
0.0139	2.7514	5500	0.0138	0.0071	0.9965
0.0008	3.0	5997	0.0158	0.0071	0.9967

Framework versions

Transformers 5.13.1
Pytorch 2.13.0+cu130
Datasets 3.6.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · audio-classification

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов: 34574cf