/ Модель
Каталог

Характеристики

Параметры
291 млн
Архитектура
mt5 · dense
Базовая модель
mt5-base
Опубликована
15 июл 2026

Ссылки

Hugging FacearXiv 2010.11934

normaere-model

JonasHermann
Генерация текстаТекст → текст3 профессии

Дообученная на корпусе ReM модель MT5 нормализует средневерхненемецкие тексты, раскрывая сокращения и обрабатывая проклитики и энклитики.

324скачиваний за 30 дней0лайковвеса обновлены20 сен 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.

Открыть конструктор бенчмарка

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

normaere-model — модель преобразования текста в текст на базе MT5ForConditionalGeneration, дообученная Jonas Hermann на корпусе Referenzkorpus Mittelhochdeutsch (ReM), версия 2.1. Она нормализует тексты на средневерхненемецком языке примерно 1050–1500 годов по стандартам ReM: раскрывает распространённые сокращения, отделяет и разворачивает частые проклитики и энклитики, а также применяет редакционную постобработку.

Модель использует архитектуру encoder-decoder и формат safetensors; в README указаны точность FP16, максимальная длина последовательности 512 токенов и словарь из 250 117 элементов, дополненный средневековыми символами сокращений. Метаданные каталога указывают 291,2 млн параметров, тогда как README описывает базовую google/mt5-base как модель на 580 млн параметров; размер самой дообученной модели здесь поэтому приведён по метаданным.

Модель предназначена для подготовки средневерхненемецких текстов к исследовательскому и редакторскому использованию в соответствии с нормами ReM. Её область применения узкая: она ориентирована на средневековый немецкий и описанные виды нормализации, поэтому пригодность для современного немецкого или других языков не заявлена. Лицензия в предоставленных данных не указана.

Сценарии применения

  • нормализация средневерхненемецких текстов по стандартам ReM
  • раскрытие распространённых сокращений в средневековых рукописях
  • разделение и разворачивание проклитик и энклитик
  • редакционная подготовка средневерхненемецких текстов для исследования

Ограничения

Модель рассчитана на средневерхненемецкие тексты примерно 1050–1500 годов и нормализацию по стандартам ReM; её пригодность для современного немецкого и других языков не заявлена. Лицензия в предоставленных сведениях не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделейI.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделейI.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

normaere-model

Transformer-based seq2seq normalizer for Middle High German (MHG) text, fine-tuned from google/mt5-base.

Model Details

  • Base Model: google/mt5-base (580M parameters)
  • Architecture: MT5ForConditionalGeneration (encoder-decoder)
  • Precision: FP16
  • Max Sequence Length: 512 tokens
  • Vocabulary Size: 250,117 (augmented with medieval abbreviation characters)

Intended Uses

Normalizes Middle High German texts (ca. 1050–1500) according to the standards of the Referenzkorpus Mittelhochdeutsch (ReM):

  • Solves common abbreviations
  • Splits off and expands common pro- and enclitics
  • Applies editorial post-processing

Training Data

Fine-tuned on the Referenzkorpus Mittelhochdeutsch (ReM), Version 2.1.

Usage

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained("JonasHermann/normaere-model")
model = AutoModelForSeq2SeqLM.from_pretrained("JonasHermann/normaere-model")

input_text = "die stete wârheit"
inputs = tokenizer(input_text, return_tensors="pt")
outputs = model.generate(**inputs)
result = tokenizer.decode(outputs[0], skip_special_tokens=True)

References

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MT5ForConditionalGeneration
Ревизия весов
a110399

0 моделей

    Создать бенчмарк