/ Модель
Каталог

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
gguf
Опубликована
28 сен 2026

Ссылки

Hugging Face

abook-analyzer

NGDtuanh
Генерация текстаТекст → текст3 профессии

Модель размечает фрагменты вьетнамских романов для производства аудиокниг, определяя говорящего, тип фрагмента и параметры речи и эмоций.

64скачиваний за 30 дней0лайковвеса обновлены5 окт 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

abook-analyzer:v4 là mô hình của dự án ABook, được tinh chỉnh bằng LoRA trên Qwen/Qwen3-4B-Instruct-2507, затем объединённый с базовой моделью и выпущенный в формате GGUF Q8_0. Он анализирует фрагменты вьетнамских романов и возвращает для каждого фрагмента разметку в JSON по схеме ABook: говорящий, повествование, диалог или внутренняя речь, эмоция, её интенсивность, темп, громкость и пол.

Модель предназначена для подготовки разметки аудиокниг; студия ABook загружает её автоматически, также описан запуск через Ollama. В обучении использовались собственные эталонные разметки проекта, а текст романов не переиздаётся моделью. Для v4 сообщается улучшение метрик относительно v3 на тестовых главах, не включённых в обучение; измерения проводились с контекстом из девяти предшествующих фрагментов.

Модель обучена под запросы и схему ABook, поэтому для других форматов и задач качество не гарантируется. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • разметка говорящих в диалогах вьетнамских романов
  • определение повествования, диалога и внутренней речи
  • аннотирование эмоций и их интенсивности в тексте
  • оценка темпа и громкости для подготовки озвучивания
  • определение пола персонажа в разметке аудиокниги

Ограничения

Модель обучена под prompt и JSON-схему ABook; для иных запросов качество не гарантируется. Версия v4 рассчитана на вход с девятью предшествующими фрагментами, а запуск без такого контекста не гарантирован.

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.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделейI.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

abook-analyzer:v4

Vietnamese audiobook analysis model for ABook: labels every segment of a Vietnamese novel with who speaks, narration / dialogue / thought, emotion, intensity, pace, volume and gender, as JSON under ABook's own prompt and schema. Qwen3-4B-Instruct-2507 + LoRA (r=16), merged, GGUF Q8_0 (4.28 GB). Apache-2.0.

Model phân tích truyện của dây chuyền làm sách nói ABook: với mỗi đoạn văn, ai nói (-> giọng đọc), đoạn kể / thoại / nội tâm, cảm xúc, cường độ, nhịp, âm lượng, giới tính. Chạy được trên card NVIDIA 8 GB, nhanh hơn qwen3:8b 1,5-1,7 lần.

Dùng

Studio của ABook tự tải khi cài hoặc bấm "Cập nhật Studio" - không phải làm gì.

Dùng tay: tải abook-analyzer-v4.Q8_0.gguf và Modelfile vào cùng một thư mục, kiểm SHA-256 (1ecd40a6b6839fc986f1095001110ebbfd9043608d0e69b30be762a85673feeb), rồi:

ollama create abook-analyzer:v4 -f Modelfile

Đã đo với Ollama 0.33.2. Ollama 0.34 cho dòng qwen3 "suy nghĩ" trước khi trả JSON kể cả khi request có format: gửi "think": false như ABook.

Model chỉ học prompt và schema của ABook (abook/analysis.py); hỏi kiểu khác thì không có gì bảo đảm.

Huấn luyện

  • Nền: Qwen/Qwen3-4B-Instruct-2507 (Apache-2.0).
  • LoRA r=16, alpha 32, dropout 0,05 trên mọi lớp chiếu (q, k, v, o, gate, up, down); 1 epoch; gộp vào model nền rồi xuất GGUF Q8_0 (scripts/model_eval/train_lora.py, serve_lora.py).
  • Loss chỉ tính trên câu trả lời (assistant_only_loss): model học gán nhãn, không học sinh lại văn bản truyện.
  • Dữ liệu: nhãn đáp án chuẩn do chính dự án làm (scripts/model_eval/gold/, quy ước trong docs/GOLD_GUIDE.md), phát lại qua đúng bộ phân tích sản xuất (gold_replay.py -> build_training_set.py). Không dùng bộ dữ liệu ngoài nào. Văn bản truyện không được phát hành.
  • Dữ liệu v4 (data_v7): đáp án chuẩn của v3 + mô tả người vô danh; mỗi mẫu có khối 4 đoạn ngay trước.
  • Chương dùng để đo không bao giờ vào dữ liệu huấn luyện.

Kết quả đo

Chỉ số: F1 giọng (gán đúng người nói cho câu thoại và nội tâm, có trọng số theo giọng), so với đáp án chuẩn. Mỗi model đo với đúng cách app gửi prompt cho nó: v3 không có khối đoạn trước (như 0.4.27), v4 có 9 đoạn. KTC: bootstrap theo chương, 2.000 lần.

bộ đocâuchỉ sốv3 khối 0 (app 0.4.27)v4 khối 9chênh (KTC 95 %)
LN Nhật, 3 truyện, 11 chương chưa học767F1 giọng56,0 %61,8 %+5,8 (+2,0..+11,2)
người nói chặt65,4 %72,9 %+7,4 (+3,4..+12,6)
cảm xúc88,9 %93,5 %+4,6 (+2,7..+6,1)
LN Hàn, 8 chương chưa học618F1 giọng61,4 %68,5 %+7,0 (+3,8..+10,9)
người nói chặt62,9 %68,0 %+5,0 (+0,0..+10,4)
cảm xúc91,1 %93,7 %+2,5 (+1,5..+3,8)

F1 giọng từng chương: v4 hơn v3 ở 9/11 chương Nhật (thua 2: −0,6 và −0,1 điểm) và 7/8 chương Hàn (thua 1: −3,2 điểm).

v4 học với khối "đoạn ngay trước" trong prompt (ai nói ở các đoạn liền trước lô); Studio từ 0.4.28 gửi 9 đoạn. Dùng v4 với host cũ (không khối) thì không có gì bảo đảm.

Giấy phép

Apache-2.0, như model nền Qwen3-4B-Instruct-2507.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
917d6b8

0 моделей

    Создать бенчмарк