/ Модель

Характеристики

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

babylm-zho-pinyin-code-97M

Генерация текстаТекст → текст3 профессии

Компактная авторегрессионная модель CPSPX для генерации китайского текста в фонологическом pinyin-code-представлении и экспериментов с китайским языком.

2 948скачиваний 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 китайского языка, представленную в рамках Chinese BabyLM Challenge 2026. Вместо иероглифов она использует фонологическое представление pinyin-code: слова сегментируются с помощью jieba, а слоги кодируются токенами, сохраняющими начальную согласную, группу тона и категорию длины слога. Такое кодирование с потерями ориентировано на звуковую структуру китайской речи.

Модель имеет 12 слоёв и 12 голов внимания, размер скрытого слоя 768, словарь SentencePiece-BPE примерно на 16 тысяч токенов и контекст до 512 токенов. В README указано около 97,7 млн параметров, тогда как метаданные сообщают 125,5 млн. Модель обучена на 73 млн токенов корпуса BabyLM-zho в pinyin-code-представлении за 20 эпох. Она предназначена для генерации продолжений в этом представлении и экспериментов с усвоением китайской грамматики; в оценке ZhoBLiMP получила 72,68% точности.

Для загрузки используются Transformers и пользовательский код модели с параметром trust_remote_code=True. Лицензия — MIT. Представление pinyin-code является lossy и не сохраняет полноценную орфографическую информацию иероглифов; результаты на бенчмарках не гарантируют качество в прикладных сценариях.

Сценарии применения

  • генерация продолжений китайского текста в pinyin-code
  • эксперименты по усвоению китайской грамматики
  • оценка языкового моделирования на ZhoBLiMP
  • исследования фонологического представления китайского языка

Ограничения

Pinyin-code — представление с потерями, поэтому модель не сохраняет полноценную запись китайского языка иероглифами. В README число параметров указано как около 97,7 млн, а метаданные сообщают 125,5 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-97M

A 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.

This is the larger, better-performing model (the 33.4M version is the small baseline).

  • Architecture: 12 layers · 12 heads · 768 hidden · 512 context · 16k SentencePiece-BPE vocab (~97.7M params)
  • Training data: BabyLM-zho (~73M pinyin-code tokens), 20 epochs

Evaluation — chinese-babylm-eval-pipeline

TaskScorevs 33.4M
ZhoBLiMP (acc)72.68+3.9
Hanzi-structure (acc)55.00~
Hanzi-pinyin (acc)95.80+0.4
AFQMC (acc)68.54~
OCNLI (acc)61.80+4.2
TNEWS (acc)52.26+1.5
CLUEWSC (acc)63.49+1.0
word_fmri (corr)0.554~
fmri (corr)0.086~

For reference, the eval pipeline's Qwen3-0.6B baseline scores 71.67 on ZhoBLiMP — this 97.7M pinyin-code model reaches 72.68.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

name = "CPSPX/babylm-zho-pinyin-code-97M"
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
64f999a

0 моделей