/ Модель

Характеристики

Контекст
512 токенов
Параметры
86,6 млн
Лицензия
CC BY 4.0
Архитектура
marian · dense
Опубликована
24 июл 2026

movoc-mt-en-am-ti

ПереводТекст → текст3 профессии

MoVoCMT — модель MarianMT для перевода между английским и амхарским или тигринья, с экспериментальной поддержкой тигре в режиме zero-shot.

7скачиваний за 30 дней0лайковвеса обновлены31 июл 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

MoVoCMT — модель машинного перевода на базе MarianMT, разработанная для проекта MoVoC. Она обучена с нуля, без предобученного чекпойнта, на двунаправленном переводе между английским и амхарским, а также английским и тигринья; архитектура включает 6 слоёв кодировщика и 6 слоёв декодировщика, 8 голов внимания и 512-мерные скрытые состояния. Модель насчитывает 86,6 млн параметров и использует общий токенизатор SentencePiece Unigram на 120 тыс. токенов для английского и письменности геэз.

Модель предназначена для перевода между английским, амхарским и тигринья. Также её проверяли в режиме zero-shot для перевода с тигре на английский и обратно: результаты для направления с тигре на английский выглядят обнадёживающе, но проверка охватывала лишь 43 пары; при переводе на тигре наблюдались циклические повторы. На тестах английско-амхарского и английско-тигринья перевода направление на английский стабильно сильнее обратного. Контекст модели — 512 токенов. Лицензия — CC BY 4.0.

Сценарии применения

  • перевод с английского на амхарский
  • перевод с амхарского на английский
  • перевод с английского на тигринья
  • перевод с тигринья на английский
  • экспериментальный перевод с тигре на английский
  • оценка zero-shot переноса на родственный язык письменности геэз

Ограничения

Тигре не входил в обучающие данные, а zero-shot оценка проводилась всего на 43 парах и не является статистически надёжным бенчмарком. При переводе на тигре наблюдались циклические повторы; в проверенных языковых парах перевод на английский был сильнее обратного направления.

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

MoVoC_MT: From-Scratch MarianMT for English-Amharic-Tigrinya, Zero-Shot Tigre

Downstream MT evaluation of MoVoC_Tok (a 120k-vocab shared Ge'ez-script + English SentencePiece Unigram tokenizer, built for the MoVoC project, arXiv:2509.08812). A from-scratch MarianMT model -- matching the paper's own architecture exactly (6+6 layers, 8 heads, d_model=512, ffn=2048, Swish activation, shared embeddings, static position embeddings) -- trained bidirectionally on English-Amharic and English-Tigrinya, then evaluated zero-shot on English-Tigre (a third Ge'ez-script language never seen during training).

Code: github.com/hailaykidu/MoVoC_MT

Training

  • From-scratch (random init), NOT a fine-tune of any pretrained checkpoint -- no pretrained MarianMT model has a MoVoC_Tok-compatible (120k) vocabulary
  • 106,104,832 parameters
  • Bidirectional: >>amh<< / >>tir<< / >>eng<< direction tags
  • 4,437,752 examples/epoch (2,157,134 Amharic-derived + 2,280,618 Tigrinya-derived), 3 epochs, 416,040 total steps
  • Batch size 32, peak LR 5e-05, linear decay, 500 warmup steps, fp16
  • Real runtime: 7h 25m 41s (SLURM job 52623, COMPLETED); throughput 502.8 samples/sec
  • Per-epoch training loss: 3.6062 (epoch 1) -> 3.2935 (epoch 2) -> 3.1292 (epoch 3)
  • Gradient-norm range: 1.33-5.61 (finite steps); 2 isolated inf events (fp16 loss-scaler overflow, confirmed benign -- loss/eval continued improving smoothly around both)

Results (real, not adjusted)

Amharic / Tigrinya (2,000 held-out dev pairs each, beam search num_beams=4)

DirectionBLEUchrF
en -> am24.69933.655
am -> en20.48545.554
en -> ti20.55618.634
ti -> en10.57131.945

Tigre, zero-shot (43 of 45 Tatoeba pairs; Tigre never in training data)

DirectionBLEUchrF
en -> tig11.71319.405
tig -> en17.62832.187

X->English is consistently stronger than English->X in every language pair tested, including zero-shot Tigre. tig->en zero-shot transfer is genuinely reasonable (e.g. a source meaning "Technology has failed to ease the conflict between man and nature" produces "Technology can't stop the conflict between humans and nature" -- capturing the real meaning despite zero Tigre training exposure). en->tig, by contrast, shows real repetition-loop degeneration under beam search (e.g. "his stomach is weak" produces a single Ge'ez word looping eight times) -- reported as observed, not smoothed over. 43-45 pairs is a small qualitative check, not a statistically robust benchmark; no larger English-Tigre parallel dataset exists anywhere to draw a stronger conclusion from.

Usage

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

model = AutoModelForSeq2SeqLM.from_pretrained("Hailay/movoc-mt-en-am-ti")
tokenizer = AutoTokenizer.from_pretrained("Hailay/movoc-mt-en-am-ti")

text = ">>amh<< The weather is nice today."
inputs = tokenizer(text, return_tensors="pt")
out = model.generate(**inputs, max_new_tokens=64, num_beams=4)
print(tokenizer.decode(out[0], skip_special_tokens=True))

Direction tags: >>amh<< (target Amharic), >>tir<< (target Tigrinya -- also used for zero-shot Tigre, the closest trained relative), >>eng<< (target English).

Reproducibility

Partially reproducible. Data splitting/shuffling is seeded (SEED=42) and deterministic, but exact metric recovery is not guaranteed:

  • Model weight initialization is not seeded -- the reported numbers correspond to one unrepeatable random init.
  • Training uses fp16 with no forced-determinism flags (cuDNN algorithm selection / reduction order can vary run to run).
  • No dependency lockfile is published; results were produced with transformers==4.57.6, torch==2.9.0+cu128, datasets==5.0.0, tokenizers==0.22.2, sacrebleu==2.6.0.
  • The tokenizer and training corpora are referenced from external, unversioned paths, not vendored into the training repo.

Full details and code: github.com/hailaykidu/MoVoC_MT.

Limitations

  • Amharic corpus capped at 1.5M raw NLLB lines (of 16.1M available), to balance against Tigrinya's corpus size.
  • Batch size (32) deviates from the paper's original run (8) for wall-clock reasons on this larger, bidirectional, multi-pair corpus.
  • Tigre zero-shot eval is only 43-45 pairs -- a small qualitative check, not a robust benchmark.
  • En->X translation is weaker than X->En for every pair tested, and en->tig zero-shot shows real repetition-loop degeneration.

Installation

pip install transformers torch sentencepiece

Citation

If you use this artifact, please cite:

@inproceedings{teklehaymanot2025movoc,
  title     = {MoVoC: Morphology-Aware Subword Construction for Ge'ez Script Languages},
  author    = {Teklehaymanot, Hailay Kidu and Fazlija, Dren and Nejdl, Wolfgang},
  booktitle = {Findings of the Association for Computational Linguistics: EMNLP 2025},
  year      = {2025},
  url       = {https://arxiv.org/abs/2509.08812}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MarianMTModel
Ревизия весов
a49d1df

0 моделей