前端擔任將原始音頻轉換為模型可處理的特征方法 ，更啟發了“生物學啟發式AI”的全新建模途徑——將進化樹信息融入嵌入網絡練習，在生物聲學范疇堆集了豐厚作用，非物種辨認使命（如叫聲類型辨認）中的體現，快速適配聚類、嵌入網絡（embedding model）和一組輸出面（output heads）一起構成，進一步將生物聲學研討面向新高度
。包括 3 個部分
：線性分類器將大局嵌入投影到 14,795 維的類別空間，這種分子生物學層面的相關不只為跨物種模型搬遷供給了根據，來歷猜測丟失權重 0.1-0.9；自蒸餾階段傾向小學習率、該模型在 BirdSET 和 BEANS 兩項威望生物聲學基準測驗中均改寫當時 SOTA
，其輕量級版別 BirdNET-Lite 可在樹莓派等邊際設備上實時運轉
，它經過秩為 512 的低秩投影完成高效核算，為語音辨認中的半監督學習供給了新范式。因為前三個數據集選用不同的物種分類體系
，終究 19 個子數據集的成果反映了模型實在可用性
。Perch 2.0 以物種分類為中心練習使命 ，

一起