/ Модель

Характеристики

Контекст
1 024 токена
Параметры
469 млн
Лицензия
CC BY-NC 4.0
Архитектура
m2m_100 · dense
Базовая модель
nllb-200-distilled-600M
Библиотека
transformers
Опубликована
13 мая 2026

nllb200-formosan-zh-spm8k

ПереводТекст → текст3 профессии

Направленная модель FormosanBank переводит тексты на 15 формозских языках на традиционный китайский для исследований и помощи переводчикам.

93скачиваний за 30 дней0лайковвеса обновлены29 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

FormosanBank разработала направленную модель машинного перевода с формозских языков на традиционный китайский. Она дообучена на базе facebook/nllb-200-distilled-600M и рассчитана на 15 формозских языков; размер модели — 469,1 млн параметров, длина контекста — до 1024 токенов. Модель использует архитектуру M2M100 и расширенный словарь SentencePiece на 8 тыс. токенов, адаптированный к формозским языкам.

Модель предназначена для исследовательской работы, разработки корпусов и помощи в переводе предложений. При использовании нужно соблюдать предусмотренный формат с указанием направления, языка источника и диалекта; если диалект неизвестен, README рекомендует значение default. Модель не использует доменные или репозиторные метки. Веса доступны публично по лицензии CC-BY-NC-4.0, а обучающий корпус распространяется отдельно среди авторизованных участников FormosanBank.

Сценарии применения

  • черновой перевод с амисского на традиционный китайский
  • перевод текстов на бунонском языке на традиционный китайский
  • перевод предложений на квавальском языке на традиционный китайский
  • разработка и пополнение параллельных корпусов для формозских языков
  • подготовка черновиков перевода для последующей проверки носителем языка

Ограничения

Переводы требуют проверки специалистом, знакомым с соответствующим языком; качество заметно различается между языками и источниками данных. Модель не подходит для авторитетного медицинского, юридического или критически важного перевода.

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

nllb200-formosan-zh-spm8k

Direction: Formosan to Traditional Chinese Base model: facebook/nllb-200-distilled-600M Recipe: nllb200-spm8k-directional-v9 Release: 20260828-121226, validation-selected step 230,000

This is a directional model for 15 Formosan languages. It uses the private_no_bible leakage-controlled corpus, Formosan-aware 8k SentencePiece extension, and explicit direction, source-language, and dialect controls. It does not infer or encode domains from repository or path names. Training uses language-temperature sampling with alpha 0.5; sentence rows have weight 1.0 and explicit lexical rows, when present, have weight 0.25. Dialect tags use 25% dropout so default is a normal inference condition. Synthetic pivot rows are train-only. The model weights are public. The training corpus is distributed separately to authorized FormosanBank members through the access-controlled FormosanBank/formosan-mt-private dataset and is not included with the weights.

Model details

ItemValue
Base revisionf8d333a098d19b4fd9a8b18f94170487ad3f821d
Corpus release20260824T042425Z_v3
Training code commita2cfed01277bc30bd9dea6a96af26564bb4f0718
Total corpus rows796,522
Training rows681,990
Human split policy85% train / 5% validate / 10% test
Synthetic evaluation policytrain_only_after_human_split
Language sampling alpha0.5
Sentence / lexical sampling weight1.0 / 0.25
Dialect-tag dropout25%
Training budget300,000 updates
Effective batch size64
Maximum sequence length384
Learning rate2e-05
Precisionbf16
Checkpoint selectionValidation chrF2
Formosan textkindOf=standard, formosan-mt-standard-v3
Corpus SHA-256b2592c7c450334f283f35078ce9cc1976121af8de63b52d16f699d9e902f298e
Training profile SHA-25601637c79ae86f8cc9c149a61b4a24e808d18261af140afe4fb0508a5190ce62a

Usage

import torch
from transformers import AutoModelForSeq2SeqLM, NllbTokenizer
from formosan_mt_inference import normalize_formosan


model_id = "FormosanBank/nllb200-formosan-zh-spm8k"
tokenizer = NllbTokenizer.from_pretrained(model_id, use_fast=False)
model = AutoModelForSeq2SeqLM.from_pretrained(model_id)
model.to("cuda" if torch.cuda.is_available() else "cpu")
NLLB_LIDS = {'ami': 'ami_Latn', 'bnn': 'bnn_Latn', 'ckv': 'ckv_Latn', 'dru': 'dru_Latn', 'pwn': 'pwn_Latn', 'pyu': 'pyu_Latn', 'ssf': 'ssf_Latn', 'sxr': 'sxr_Latn', 'szy': 'szy_Latn', 'tao': 'tao_Latn', 'tay': 'tay_Latn', 'trv': 'trv_Latn', 'tsu': 'tsu_Latn', 'xnb': 'xnb_Latn', 'xsy': 'xsy_Latn'}

def translate(text, lang_code, dialect="default"):
    text = normalize_formosan(text, lang_code)
    tokenizer.src_lang = NLLB_LIDS[lang_code]
    dialect_tag = f"<dialect_{dialect}>"
    if tokenizer.convert_tokens_to_ids(dialect_tag) == tokenizer.unk_token_id:
        dialect_tag = "<dialect_default>"
    prompt = f"<to_zh> <src_{lang_code}> {dialect_tag} {text}"
    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
    output = model.generate(
        **inputs,
        decoder_start_token_id=tokenizer.eos_token_id,
        forced_bos_token_id=tokenizer.convert_tokens_to_ids('zho_Hant'),
        max_new_tokens=256,
        num_beams=4,
    )
    return tokenizer.batch_decode(output, skip_special_tokens=True)[0]

print(translate("Pa'araw cingra.", "ami"))

The direction, source-language, and dialect tags are part of the training contract. Use default when dialect metadata is unavailable. This model does not use domain or repository tags.

Evaluation

The best checkpoint was selected on validation chrF2. Test and validation contain only eligible, human-translated sentence pairs. Synthetic pivots and lexical entries are train-only. The headline result uses default metadata controls (the default dialect only), so it does not assume access to test-set dialect labels or any inferred domain metadata.

SplitRows
Train681,990
Test76,353
Validate38,179
ScopeBLEUchrF2TER
Hard test18.8418.4373.04
Selection validation12.2412.8080.35

Test empty-output rate: 0.0039%.

Bootstrap confidence intervals were not requested for this release.

Metric signatures:

  • BLEU: nrefs:1|case:mixed|eff:yes|tok:zh|smooth:exp|version:2.5.1
  • chrF2: nrefs:1|case:mixed|eff:yes|nc:6|nw:0|space:no|version:2.5.1
  • TER: nrefs:1|case:mixed|tok:tercom|norm:yes|punct:yes|asian:yes|version:2.5.1
LanguageSamplesBLEUchrF2TER
ami14,24815.4716.0174.91
bnn6,27620.3819.4071.14
ckv2,88725.2222.8759.35
dru6,76415.0315.2888.15
pwn5,80014.6214.6083.34
pyu4,42221.9121.7869.31
ssf2,29926.8824.6056.87
sxr2,05617.7317.4576.20
szy2,52021.6420.9568.61
tao2,50414.8915.3675.93
tay7,16315.0315.3481.01
trv12,04821.7321.1965.75
tsu2,30420.2319.5372.30
xnb2,56327.3924.8558.64
xsy2,49922.5221.4163.39

The corpus gate applies 85% train / 5% validate / 10% test to deduplicated human pairs within each language and source where capacity permits. Synthetic pivots are appended to training after that split. Evaluation is sentence-only and contains no lexical or synthetic rows. Standard-tier Formosan text is normalized with formosan-mt-standard-v3. The release requires zero exact, skeleton, one-edit, or configured high character n-gram train/evaluation conflicts. Document overlap is diagnostic. This release passed all leakage gates: exact 0, skeleton 0, one-edit 0, character n-gram 0. Document overlap: 1433.

See eval/metrics.json for sacreBLEU signatures, per-language, source-corpus, dialect, and length diagnostics. publication.json records the corpus, profile, run, and checkpoint hashes used for this release.

Intended use

This model supports research, corpus development, and assisted translation for the 15 included Formosan languages. It is designed for the exact prompt and generation contract shown above.

Limitations

Outputs require knowledgeable speaker review. Aggregate metrics hide large differences among languages and source collections. This model is not suitable for authoritative, medical, legal, or safety-critical translation.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
M2M100ForConditionalGeneration
Ревизия весов
0fbc346

0 моделей