К содержимому
Другое

CoVeR

мультимодальный анализ эмоций и тональности даже при неполных данных

2 мин чтенияобновлено

CoVeR (Counterfactual-View Reliability learning) — набор чекпоинтов для мультимодального понимания (распознавания эмоций и тональности по тексту, аудио и видео), решающий проблему «языкового ярлыка» (Language Shortcut — склонности моделей полагаться только на текст и игнорировать остальные модальности). Модели основаны на компактной языковой модели Qwen3-0.6B с адаптерами LoRA (небольшими обучаемыми надстройками над весами внимания) и 4 токенами слияния (fusion tokens) от исследователей из Shandong University, NUS и университетов Гонконга. Главная особенность подхода — в особом обучении: модель не меняет архитектуру на этапе работы, но во время тренировки контрфактуальные представления выступают как одномодальные судьи, и их расхождение определяет, какие примеры обучают объединённый путь. Релиз пригодится исследователям мультимодальных систем, работающим в условиях, когда часть сигналов (например, звук или видео) на тесте пропадает или повреждена.

Ключевые особенности

  • Семь готовых чекпоинтов: в репозитории лежат веса (seed 42) для семи популярных датасетов анализа эмоций и сарказма — CMU-MOSI, CMU-MOSEI, CH-SIMS, CH-SIMSv2, IEMOCAP, MELD и MUStARD++.
  • Два режима работы: режим точности (accuracy mode) выдаёт предсказание за один проход со скоростью базовой LLM-Fusion модели, а робастный режим (robust mode) повышает устойчивость при потере модальностей.
  • Лёгкая база Qwen3-0.6B: используются LoRA-адаптеры ранга 16 (и 32 для CH-SIMS) на проекциях внимания, а сама базовая модель остаётся замороженной.
  • Открытая лицензия MIT: код и обученные тензоры опубликованы под лицензией MIT (базовая Qwen3-0.6B — под Apache-2.0).

Что можно сделать

  • Оценить устойчивость распознавания эмоций при искусственном отключении аудио- или видеопотока по семи паттернам доступности модальностей на базе датасетов CMU-MOSI или IEMOCAP.
  • Прогнать тестирование на бенчмарке MR-Bench-H для проверки того, насколько модель опирается на нетекстовые сигналы вместо слепого угадывания по транскрипции речи.
  • Использовать чекпоинты как бейзлайн в научных экспериментах по неполному мультимодальному обучению (Incomplete Multimodal Learning) в паре с репозиторием кода CoVeR.

Пример

git clone [https://github.com/peacelwh/CoVeR](https://github.com/peacelwh/CoVeR) && cd CoVeR
pip install -r requirements.txt
hf download Bluexxx/CoVeR --local-dir results/runs --include "*/cover_s42/*"
python scripts/evaluate.py --run results/runs/mosi/cover_s42
ПодробнееМетрики при неполных модальностях (среднее по 7 паттернам): Acc2 достигает 82.6% на IEMOCAP, 77.2% на CH-SIMS и 77.0% на CMU-MOSEI.
На бенчмарке MR-Bench-H (900 клипов) в accuracy mode модель набирает 61.7% LS / 93.6% NS, а в robust mode — 63.0% LS / 84.8% NS (для данных чекпоинтов seed 42: 62.4 / 93.9 и 65.8 / 85.4).
Гиперпараметры обучения: K = 4 токена слияния, τ = 0.4, λ_uni = 2, lr = 2e-4, усреднение весов 0.99 для большинства корпусов.
Ограничения: предназначено только для исследований; авторы не рекомендуют применять модели для принятия важных решений в отношении людей.
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.8 GB · готовые файлы2.5 GB
  • FP8 / INT8рекомендуемвеса 1.1 GB1.7 GB
  • 4-bitвеса 0.8 GB1.4 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Это LoRA: вместе с базовой моделью Qwen3-0.6B.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Bluexxx/CoVeR
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Qwen/Qwen3-0.6B --local-dir ~/models/Qwen3-0.6B
    hf download Bluexxx/CoVeR --local-dir ~/models/CoVeR
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-0.6B
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Нужна базовая модель

Qwen/Qwen3-0.6B

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

  1. Qwen3-0.6B-Baseоснова семьи
  2. Qwen3-0.6B
  3. CoVeR

Новые посты про версии Qwen3-0.6B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 3Все на Hugging Face

О модели

Bluexxx/CoVeR
Автор
Bluexxx
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

GeoReVis

GeoReVis