/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Опубликована
8 мая 2026

Naqta

Разметка токеновТекст → label3 профессии

Модель восстанавливает основные знаки пунктуации в текстах на современном литературном арабском языке.

212скачиваний за 30 дней2лайкавеса обновлены2 сен 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

Naqta — модель MostafaMaroof для восстановления пунктуации в текстах на современном литературном арабском языке. Основной компонент в корне репозитория — XLM-RoBERTa-large для классификации токенов с 658,7 млн параметров и контекстом до 514 токенов. В репозитории также есть отдельный теггер фрагментов на XLM-RoBERTa-base для парных тире при междометиях.

Модель расставляет двоеточия, вопросительные и восклицательные знаки, точки, запятые, точки с запятой и тире. Она дообучена примерно на 1,3 млн абзацев из книг, Википедии, новостей и корпусов вопросов и ответов. На отложенной выборке из источников обучения макро-F1 составляет 0,896, а на внешнем тесте с независимыми редакционными правилами — 0,616: результаты заметно зависят от принятого стандарта пунктуации.

Модель не расставляет скобки и кавычки. Восклицательные знаки и точки с запятой могут предсказываться чаще нужного; особенно ненадёжны пунктуационные знаки, размещение которых определяется редакционным стилем. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • расстановка пунктуации в арабских текстах без знаков
  • редакторская подготовка арабских абзацев
  • восстановление вопросительных знаков и точек в арабском тексте
  • автоматическое добавление запятых и двоеточий в текстах на арабском

Ограничения

Качество заметно снижается на текстах с редакционными правилами, отличными от обучающих: макро-F1 на внешнем тесте составляет 0,616 против 0,896 на внутридоменном. Скобки и кавычки не выдаются, а восклицательные знаки и точки с запятой могут предсказываться избыточно.

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

Naqta - Arabic Punctuation Restoration

Restores punctuation in Modern Standard Arabic. Two components in one repo:

componentpathtask
point-mark modelrepo root8 classes (XLM-RoBERTa-large)
span taggerspan-tagger/paired interjection dashes (BIO, XLM-RoBERTa-base)

Usage

from transformers import AutoModelForTokenClassification, AutoTokenizer

tok = AutoTokenizer.from_pretrained("MostafaMaroof/Naqta")
model = AutoModelForTokenClassification.from_pretrained("MostafaMaroof/Naqta")

span_tok = AutoTokenizer.from_pretrained("MostafaMaroof/Naqta", subfolder="span-tagger")
span_model = AutoModelForTokenClassification.from_pretrained(
    "MostafaMaroof/Naqta", subfolder="span-tagger")

Use sliding-window inference for long text. The model was fine-tuned on short windows; a single truncated pass leaves everything past roughly 230 words unpunctuated. See app.py in the Space for a reference implementation.

Evaluation

Two evaluations on deliberately different data. The gap between them is the main practical finding: Arabic punctuation is convention-dependent, so in-domain scores overstate performance on text punctuated to an external editorial standard.

1. In-domain test set

Held-out split of the training corpus (books, Wikipedia, diacritised text) — same sources and editorial conventions as training.

metricscore
Macro F10.8960
Token accuracy0.9714

2. External guideline benchmark

91 Modern Standard Arabic passages (about 27k tokens) annotated by an independent Arabic language centre in Saudi Arabia, following its own published punctuation guideline. No overlap with the training data.

metricprevious releasecurrent
Macro F10.54640.6160
Weighted F10.89900.9154
Token accuracy0.90960.9133

Per-class F1 (current):

markO:؟.،؛-!
F10.9670.8210.8120.7000.6470.4540.2730.255

The drop from 0.896 to 0.616 is concentrated in marks whose placement depends on editorial convention rather than syntax. Structurally determined marks (question mark, colon) transfer well; the semicolon and exclamation, whose rules differ between style guides, do not.

Limitations

  • Exclamation and semicolon are over-predicted (precision 0.204 and 0.362): the model finds these marks but does not withhold them reliably.
  • Brackets and quotation marks are not produced. The span tagger covers them in training but their precision is too low to enable in production.
  • Expect lower accuracy on text following a punctuation standard different from the training sources.

Training

XLM-RoBERTa-large fine-tuned on about 1.3M paragraphs (classical and modern books, Wikipedia, news, QA corpora) with weighted focal loss, oversampling of rare marks, and a final adaptation stage on guideline-conforming data.

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaForTokenClassification
Ревизия весов
7659131

0 моделей