/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
pytorch
Опубликована
5 окт 2026

amnmt-en-am-base

ПереводТекст → текст

Двунаправленный Transformer для перевода отдельных предложений между английским и амхарским языками.

0скачиваний за 30 дней0лайковвеса обновлены5 окт 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

Bekafi разработала amnmt-en-am-base — двунаправленную модель машинного перевода с английского на амхарский и обратно, обученную с нуля на PyTorch. Она предназначена для перевода отдельных предложений; направление задаётся специальным тегом целевого языка. Модель использует архитектуру Transformer encoder–decoder с 6 слоями кодировщика и 6 слоями декодировщика, 60,5 млн параметров и совместную BPE-токенизацию на 32 тыс. элементов с байтовым резервным кодированием.

Обучение проводилось на 4,43 млн пар предложений, включая данные OPUS и MT560. В оценке FLORES-200 devtest модель получила BLEU 14,51 для перевода en→am и 24,39 для am→en при beam search ширины 4. Она принимает варианты амхарского написания после нормализации, но выдаёт орфографию со сведёнными вариантами букв. Контекст документа не учитывается, предложения длиннее примерно 120 токенов обрезаются; возможны пропуски частей длинных фраз и ошибки времени. По карточке модель распространяется под лицензией CC BY-NC 4.0.

Сценарии применения

  • перевод английских предложений на амхарский
  • перевод амхарских предложений на английский
  • пакетный перевод пар предложений en–am
  • черновой перевод текстов для последующей проверки человеком

Ограничения

Амхарский текст выводится с нормализованными вариантами написания; для предложений длиннее примерно 120 токенов применяется усечение, а документный контекст не поддерживается. Возможны пропуски частей и ошибки времени, особенно в длинных предложениях; разговорные и технические тексты могут обрабатываться хуже.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

amnmt-en-am-base

A from-scratch PyTorch Transformer for bidirectional English ↔ Amharic translation. One 60.5M-parameter model serves both directions via a target-language tag (<2am> / <2en>). Code: english-amharic-transformer-nmt · Demo: Space.

Usage

pip install "amnmt[tokenization,hub] @ git+https://github.com/Bekafi01/english-amharic-transformer-nmt.git"
amnmt translate -m hf://Bekafi/amnmt-en-am-base -d en-am "Coffee originated in Ethiopia."
from amnmt.inference.translator import Translator

tr = Translator.from_checkpoint("hf://Bekafi/amnmt-en-am-base")
tr.translate(["The children are playing in the garden."], "en-am")  # ['ልጆች በአትክልቱ ውስጥ እየተጫወቱ ነው።']
tr.translate(["ቡና መነሻው ኢትዮጵያ ነው።"], "am-en", beam_size=4)

Inputs are normalized the same way as the training data (NFC, Ethiopic homophone folding, Ge'ez numerals → digits), so raw Amharic spelling variants are accepted.

Files

file
model.ptfp16 weights + model config, ~120 MB. torch.load → {"model", "config", "vocab_size", "pad_id", "export"}
tokenizer.jsonjoint 32k BPE (HF tokenizers), byte fallback; specials <pad>=0 <s>=1 </s>=2 <unk>=3 <2am>=4 <2en>=5

Model

ArchitecturePre-LN encoder–decoder, 6+6 layers, d_model 512, 8 heads, d_ff 2048, dropout 0.1, sinusoidal positions
Embeddingsone 32k × 512 matrix tied across source, target and output projection
Parameters60,524,544
Max length256 positions (trained on ≤ 128 per side)
Decodingbeam search, GNMT length penalty 1.0

Training data

4,429,739 sentence pairs after cleaning, both directions (8.86M training samples):

sourcelicensepairs after dedup
NLLB mined bitext (OPUS), LASER score ≥ 1.068CC-BY-NC-4.03.5M
MT560 en–am sliceCC-BY-4.0628k
CCAligned (OPUS)CC (web crawl)259k
Tanzil (OPUS)Tanzil35k
OPUS-100 am–enmixed3k

Preprocessing: NFC, Ethiopic homophone folding (ሐ/ኀ→ሀ, ሠ→ሰ, ዐ→አ, ፀ→ጸ), Ge'ez numerals → digits, ፡ → space, Moses detokenization; length/ratio/script/URL/markup filters; exact dedup on a normalized key. FLORES-200 dev and devtest were removed from training by normalized-key match.

Training

54,000 steps (7.1 epochs) on a single Colab T4, fp16 + GradScaler, 8,000 padded tokens × 3 accumulation per step, AdamW (β 0.9/0.98), peak LR 7e-4 with 4k warmup and inverse-sqrt decay, label smoothing 0.1, grad clip 1.0. ≈ 15 GPU-hours over four resumed sessions. Stopped when FLORES dev loss plateaued (perplexity 7.9).

Evaluation — FLORES-200 devtest (1,012 sentences), sacreBLEU 2.6

directionbeamBLEUchrF++spBLEUBLEU vs raw refs
en → am414.5137.7428.3612.24
en → am113.4236.90–11.32
am → en424.3949.2724.9524.29
am → en123.5348.39–23.45

"vs raw refs" scores the folded output against the unfolded FLORES references — the −2.3 BLEU en→am gap is the cost of homophone folding, not translation errors.

Limitations

  • Amharic output uses folded spellings; words written with ሐ, ሠ, ዐ, ፀ in standard orthography come out with ሀ, ሰ, አ, ጸ.
  • Trained mostly on religious, web-crawled and mined text; news/encyclopedic input (FLORES) works well, conversational and technical text less so.
  • Sentences longer than ~120 tokens are truncated. No document context.
  • 60M parameters: expect occasional dropped clauses and tense errors on long sentences.

License

Weights: CC-BY-NC-4.0 (inherited from the NLLB bitext). Code: MIT.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
ccc64db

0 моделей