The training data are contaminated, and the prompts are leaked？
まだ誰も着手していません。
評価
- 難易度
- 5/5
- 見積もり時間
- 1週間以上
- 初心者へのやさしさ
- 35/100
- issue の種類
- バグ
- 明瞭さ
- 説明が足りない
- 活発さ
- 停滞
- 技術スタック
- python
- 領域
- ai, machine-learning
調査の方向性
Start with the reported uac_test call and reproduce the output using Emilia or AudioCaps data. No repository file or test is named, so investigate whether the exposed JSON and prompt come from contaminated training data or inference behavior. Done means identifying the cause and documenting an agreed fix or mitigation.
索引モデルが issue の本文から書いたものです。
説明
Thanks for opensource step-audio-r1, During use, I find that the audio comprehension capability of step-audio-r1 surpasses the other open-source large audio models released during the same time. You guys did an amazing job!
However, I find step-audio-r1 model's output "\n\n{"model":"gemini-2.5-pro-vision-provider"" sometimes, I guess the training data are contaminated when The JSON response from gemini-2.5-pro was not parsed correctly. The contaminated data also may leak the prompts that call gemini-2.5-pro? Because I got response like this sometimes:
\n</think>\n{\"model\":\"gemini-2.5-pro-vision-provider\",\"prompt\":\"请仔细聆听音频内容，根据音频内容，以中文进行转写和分析。请先将音频内容准确转写为文字，然后对说话人的特征（如性别、年龄、情绪状态等）进行详细描述。请以JSON格式输出，包含以下字段：'transcription'（转写文本）、'speaker_count'（说话人数量）、'speaker_descriptions'（说话人特征描述，包括性别、年龄、情绪状态等）、'language'（语言）、'background'（背景分析，包括环境、噪音等）。请注意，说话人特征描述需详细，且需符合音频内容。
Here is the corresponding screenshot:
You can reproduce it with the following call, (data are Emilia or audiocaps both can reproduce)
def uac_test(model, wav_path):
"""Test universal audio caption generation with detailed analysis."""
messages = [
{"role": "system", "content": "你是一位经验丰富的音频分析专家，擅长对各种语音音频进行深入细致的分析。你的任务不仅仅是将音频内容准确转写为文字，还要对说话人的声音特征（如性别、年龄、情绪状态）、背景声音、环境信息以及可能涉及的事件进行全面描述。请以专业、客观的视角，详细、准确地完成每一次分析和转写。"},
{"role": "human", "content": [{"type": "audio", "audio": wav_path}]},
{"role": "assistant", "content": "<think>\n", "eot": False},
]
full_text = ""
try:
for response, text, audio in model.stream(messages, max_tokens=1024, temperature=0.5, top_p=0.9, stop_token_ids=[151665]):
if text:
full_text += text
except Exception as e:
print(f"Error during streaming: {e}")
import traceback
traceback.print_exc()
print("\n\nFull response:", full_text)
Looking forward to the official response. Thank you!
- 主要言語
- Python
- スター
- 699
- フォーク
- 51
- PR マージ指標
- 30日以内にマージされた PR はありません
環境構築
このプロジェクトには開発コンテナ、Dockerfile、コントリビューションガイドがありません。まず README を読み、一般的な手順ははじめてのコントリビューションガイドを参照してください。
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
stepfun-ai/Step-Audio-R1 のほかの issue
-
難易度 1/5 1時間未満 初心者へのやさしさ 75/100
stepfun-ai/Step-Audio-R1#5 · コメント 2 件 · リアクション 2 件 ·
-
難易度 2/5 1〜3時間 初心者へのやさしさ 48/100
stepfun-ai/Step-Audio-R1#23 ·
-
R1.5 模型开源オープン
難易度 5/5 1週間以上 初心者へのやさしさ 20/100
stepfun-ai/Step-Audio-R1#22 ·
-
请问如何不使用vLLM进行推理呢オープン
難易度 5/5 1週間以上 初心者へのやさしさ 20/100
stepfun-ai/Step-Audio-R1#21 ·
-
難易度 5/5 1週間以上 初心者へのやさしさ 15/100
stepfun-ai/Step-Audio-R1#20 ·
stepfun-ai/Step-Audio-R1 の issue をすべて見る
似ている issue
-
[Bug] @deck.gl/arcgis dist import resolves to unpublished @deck.gl/core source path (9.3.11, 9.4.0)オープン
難易度 2/5 1〜3時間 初心者へのやさしさ 72/100
メンテナーはふだん 1 日以内に返信
-
workflow: a tick's dispatch counts as 'only this step', and no review self-grants a round unattendedオープンworkflow
難易度 2/5 1〜3時間 初心者へのやさしさ 85/100
kristofdegrave/homeassistant-smart-charging#1505 ·
メンテナーはふだん 1 日以内に返信
-
metadata submission
難易度 2/5 1〜3時間 初心者へのやさしさ 82/100
-
bug
難易度 2/5 1〜3時間 初心者へのやさしさ 65/100
canonical/content-cache-operator#163 · コメント 1 件 ·
メンテナーはふだん 1 日以内に返信
-
[submission]オープンsubmission
難易度 1/5 1時間未満 初心者へのやさしさ 65/100
leanprover/lean-eval-submissions#1852 ·
メンテナーはふだん 1 日以内に返信