TACME
мультимодальная модель для оценки эмоций, личности и амбивалентности
2 min readupdated
TACME решает три задачи поведенческого анализа по видео и аудио: распознаёт 7 базовых эмоций, оценивает 5 видимых черт личности (Big Five) и определяет наличие амбивалентности (противоречивого эмоционального состояния). Архитектура построена на общих кросс-модальных экспертах-трансформерах и маршрутизации под конкретную задачу, что позволило обучить единую сеть на непересекающихся датасетах (где каждая выборка размечена только под одну из трёх задач). На вход сеть принимает заранее извлечённые признаки из четырёх потоков: сцены (CLIP), аудио (Wav2Vec2), текста речи (Whisper + RoBERTa) и описания поведения (Qwen3-VL + RoBERTa). В репозитории выложены веса самой сети слияния (fusion-модели) в формате Safetensors под лицензией MIT, а полный пайплайн доступен в GitHub-проекте авторов статьи для EMNLP 2026 Findings. Пригодится исследователям в области аффективных вычислений и мультимодального обучения.
Ключевые особенности
- Три задачи в одной сети: классификация 7 эмоций, регрессия по 5 видимым чертам личности (открытость, добросовестность, экстраверсия, доброжелательность, эмоциональная стабильность) и бинарная оценка амбивалентности.
- Четыре потока признаков: объединяет представления сцены (CLIP, 512), голоса (EmoWav2Vec2, 1024), транскрибации (Whisper + RoBERTa, 768) и визуального описания поведения (Qwen3-VL-4B + RoBERTa, 768).
- Обучение на непересекающихся корпусах: использует общих направленных кросс-модальных экспертов (размерность 128, 8 голов внимания) и гейтинг под задачу, позволяя учиться на разных датасетах без совместной разметки.
- Улучшение zero-shot переноса: мультинаучение с методами PAGB и flow-matching повысило показатель UAR при распознавании эмоций на незнакомом датасете MELD с 28.9% до 35.9% (+7.0 п.п.).
Что можно сделать
- Воспроизвести эксперименты из статьи EMNLP 2026: запустить оценку мультимодального слияния на корпусах CMU-MOSEI, ChaLearn First Impressions v2, BAH и MELD.
- Развернуть демо-приложение с Gradio: подключить веса
tacme.safetensorsк полному пайплайну из репозитория GitHub для комплексного анализа видео- и аудиозаписей. - Использовать как базу для исследований: адаптировать механизм task-aware гейтинга и flow-matching регуляризации для обучения мультимодальных сетей на разрозненных датасетах.
Пример
git clone [https://github.com/DmitryRyumin/TACME.git](https://github.com/DmitryRyumin/TACME.git) && cd TACME
uv sync --locked --no-dev
hf download DmitryRyumin/TACME tacme.safetensors --local-dir models
uv run --no-dev python -c "from tacme.models import load_tacme_model; model = load_tacme_model(device='cpu'); print(type(model).__name__)"
Подробнее
Метрики из статьи: средний ранг 1.00 по шести метрикам в сравнении методов слияния; zero-shot UAR на MELD — 35.9% против 28.9% у однозадачной версии.Требования: Python 3.14, менеджер пакетов
uv; сам чекпоинт загружается на CPU, но полный пайплайн с CLIP, Wav2Vec2, Whisper и Qwen3-VL-4B требует значительного объёма памяти.Ограничения: не поддерживается загрузка через
AutoModel.from_pretrained(); модель предназначена только для исследований и не подходит для клинической диагностики или оценки персонала.









Comments