/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
distilbert · dense
Базовая модель
distilbert-base-turkish-cased
Библиотека
transformers
Опубликована
14 авг 2026

DUSUNEN-Nokta-68M-v1

Разметка токеновТекст → label8 профессий

Модель Göktuğ Düşünen на базе DistilBERT восстанавливает пунктуацию и регистр в турецком тексте за один проход.

42скачиваний за 30 дней1лайквеса обновлены14 авг 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

DUSUNEN Nokta 68M v1 — компактная модель Göktuğ Düşünen для восстановления пунктуации и правильного регистра в турецком тексте. Она объединяет обе задачи в одной модели DistilBERT для классификации токенов: за один проход предсказывает совместные метки пунктуации и регистра. Базовая модель — dbmdz/distilbert-base-turkish-cased; в чекпойнте 68,1 млн параметров, контекст — до 512 токенов по метаданным. Репозиторий содержит веса Safetensors и экспорт ONNX в FP32; автор проверил совпадение предсказаний ONNX и PyTorch на тестовых примерах.

Модель подходит для восстановления знаков препинания и регистра в результатах распознавания речи, субтитрах, поисковых транскриптах, чатах и турецких документах. В тестах автор сообщает macro F1 70,43% для пунктуации и 86,98% для регистра. Модель обучена на веб-текстах, поэтому пунктуация спонтанной речи и предметных областей может отличаться от её предсказаний; трудности также возможны с именами, брендами, смешанными языками, URL и необычным регистром. Для юридических, медицинских и других важных документов требуется проверка человеком. Лицензия модели — MIT; использованный корпус Cosmos Turkish Corpus v1.0 распространяется по CC BY 4.0.

Сценарии применения

  • восстановление пунктуации в результатах распознавания речи на турецком языке
  • приведение регистра в черновиках турецких субтитров
  • очистка поисковых транскриптов на турецком языке
  • восстановление пунктуации и регистра в чатах на турецком языке
  • предобработка турецких документов

Ограничения

Модель обучена на веб-текстах, поэтому может хуже восстанавливать пунктуацию спонтанной речи и специализированных текстов; трудности также возможны с именами, брендами, смешанными языками, URL и необычным регистром. Для юридических, медицинских и других документов с высокими ставками нужна проверка человеком.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DUSUNEN Nokta 68M v1

One compact Turkish model for punctuation restoration and true-casing. Nokta predicts both decisions in a single pass through 28 joint token labels, so deployment does not require a punctuation model followed by a second casing model.

Held-out results

The split is deterministic and leakage-resistant: all rows sharing a source URL remain in the same 98/1/1 train/validation/test bucket. The test bucket was not used for gradient updates or checkpoint selection.

MetricMajority baselineDUSUNEN Nokta
Punctuation macro F1, excluding NONE0.00%70.43%
Casing macro F1, excluding LOWER0.00%86.98%
Joint-label macro F13.07%65.23%
Joint token accuracy62.35%94.04%
Exact full-sequence accuracy0.00%47.51%

Punctuation token accuracy is 96.57% and casing token accuracy is 97.00%. Machine-readable results and class counts are included in this repository. dataset-audit.json records file checksums, label distributions and zero source overlap across splits.

Try it

The repository includes inference.py, which handles Turkish dotted/dotless I, subword-to-word alignment, punctuation marks and long-text chunking:

python inference.py   "bugün istanbulda hava güzel mi yarın yağmur bekleniyor"   --model GoktugD/DUSUNEN-Nokta-68M-v1

The checkpoint also loads directly with the standard Transformers API:

from transformers import AutoModelForTokenClassification, AutoTokenizer

model_id = "GoktugD/DUSUNEN-Nokta-68M-v1"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForTokenClassification.from_pretrained(model_id)

Validated ONNX

onnx/model.onnx is a lossless FP32 CPU export (270.8 MB). Across 64 held-out examples, its token prediction agreement with PyTorch was 100.000%. The recorded single-item PyTorch/ONNX median-latency ratio was 0.65×; this release makes no ONNX speedup claim. See onnx-validation.json for raw latency and numerical-parity values. A separately tokenized variable-length input also achieved 100.000% prediction agreement.

Training and data

  • Base model: dbmdz/distilbert-base-turkish-cased (MIT), 68.1M parameters
  • Corpus: Cosmos Turkish Corpus v1.0 (CC BY 4.0)
  • Examples: 146,936 train / 1,519 validation / 1,545 test
  • Input length: at most 128 subword tokens
  • Optimisation: AdamW, linear schedule, BF16, seed 42
  • Hardware: NVIDIA GeForce RTX 3090 24 GB
  • Training time: 725.7 seconds
  • Exact programs: prepare_nokta_dataset.py, train_nokta.py, export_nokta_onnx.py

Intended use and limitations

Nokta is intended for cleaning ASR output, subtitle drafts, search transcripts, chat text and Turkish document preprocessing. It was trained on web text rather than spontaneous speech transcripts, so domain punctuation can differ. Proper names, stylised brands, mixed-language passages, URLs and deliberately unusual casing remain difficult. The MIXED label restores acronym stems before an apostrophe but cannot reconstruct every arbitrary character-level casing pattern. Human review is required for legal, medical or other high-stakes documents.

Integrity

  • model.safetensors SHA-256: ea24882907321293322bd2262e9684d16a2c45ff7f2a6bb89c579b8270150d5b
  • onnx/model.onnx SHA-256: 0444bd6786277999d4ce6612693d4e41ec56fffabd654441a04d1c562b2dc798

Developed and released by Göktuğ Düşünen.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DistilBertForTokenClassification
Ревизия весов
901bc46

0 моделей