/ Модель

Характеристики

Контекст
512 токенов
Параметры
41,7 млн
Лицензия
MIT
Архитектура
pinyin_code · dense
Библиотека
transformers
Опубликована
9 июн 2026

babylm-zho-pinyin-code-33M

Генерация текстаТекст → текст3 профессии

Компактная GPT-подобная модель CPSPX генерирует последовательности на специальном пиньинь-коде мандаринского китайского для экспериментов и оценки языковых моделей.

2 967скачиваний за 30 дней0лайковвеса обновлены12 июн 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

CPSPX разработала компактную GPT-подобную авторегрессионную языковую модель для Chinese BabyLM Challenge 2026. Она обучена генерировать последовательности на специальном пиньинь-коде, а не на иероглифах: китайские слова сегментируются с помощью jieba, а слоги представляются токенами, сохраняющими начальную согласную, группу тонов и категорию длины слога. Это сжатое и частично теряющее информацию фонологическое представление мандаринского китайского.

Модель содержит около 41,7 млн параметров по метаданным (в README указано около 33,4 млн), 8 слоёв, 8 голов внимания, размер скрытого слоя 512, контекст до 512 токенов и словарь SentencePiece-BPE на 16 тысяч токенов. Она предназначена для генерации текста и исследовательских экспериментов с обучением языковых моделей на ограниченных корпусах. В карточке приведены результаты на китайских тестах языковых знаний и соответствия пиньиня и иероглифов. Лицензия — MIT.

Сценарии применения

  • генерация последовательностей на пиньинь-коде китайского языка
  • эксперименты с обучением моделей на ограниченных корпусах BabyLM
  • оценка языковых знаний китайской модели на ZhoBLiMP
  • проверка соответствия пиньинь-кода китайским иероглифам

Ограничения

Представление пиньинь-кодом является lossy и не сохраняет все сведения исходного текста; контекст ограничен 512 токенами. Число параметров в README (около 33,4 млн) расходится с метаданными (41,7 млн).

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

babylm-zho-pinyin-code-33M

A compact GPT-style causal language model for the 2026 Chinese BabyLM Challenge, trained on a pinyin-code representation of Mandarin instead of Hanzi.

Each Mandarin word is segmented with jieba and every syllable is encoded as a compact initial+digit token that preserves the pinyin initial, a tone group, and a syllable-length bucket — e.g. 我们 → W6M7. It is a lossy, phonology-first encoding.

  • Architecture: 8 layers · 8 heads · 512 hidden · 512 context · 16k SentencePiece-BPE vocab (~33.4M params)
  • Training data: BabyLM-zho (~73M pinyin-code tokens), 5 epochs
  • Bigger sibling: CPSPX/babylm-zho-pinyin-code-97M

Evaluation — chinese-babylm-eval-pipeline

TaskScore
ZhoBLiMP (acc)68.79
Hanzi-structure (acc)55.10
Hanzi-pinyin (acc)95.35
AFQMC (acc)69.00
OCNLI (acc)57.63
TNEWS (acc)50.73
CLUEWSC (acc)62.50
word_fmri (corr)0.556
fmri (corr)0.089

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

name = "CPSPX/babylm-zho-pinyin-code-33M"
model = AutoModelForCausalLM.from_pretrained(name, trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(name, trust_remote_code=True)

# The tokenizer auto-converts raw Mandarin into the pinyin-code representation:
inputs = tokenizer("我们一起来看电影吧", return_tensors="pt")
out = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(out[0]))

trust_remote_code=True is required — the architecture and the transliterating tokenizer are custom. Source: https://github.com/tbhrobrecht/babylm-pinyin-abbreviations

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
PinyinCodeForCausalLM
Ревизия весов
81830df

0 моделей