/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
kyrgyz-morph-tagger
Опубликована
14 июл 2026

kyrgyz-morph-tagger

Разметка токеновТекст → label

Морфологический теггер кыргызского языка, который назначает токенам части речи и признаки, а также определяет леммы.

10скачиваний за 30 дней0лайковвеса обновлены14 июл 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

Это чекпойнт морфологического теггера кыргызского языка из проекта Kyrgyz Morphological Tagger. Модель реализует архитектуру UDPipe 2 на PyTorch: символьный BiGRU, обучаемые векторные представления слов и замороженные контекстные представления xlm-roberta-base поступают в двухслойную BiLSTM с отдельными головами для UPOS, кыргызских XPOS, правил лемматизации и набора признаков Universal Dependencies. Репозиторий содержит веса; для запуска предназначен пакет kyrgyz-morph-tagger, а при инференсе также загружается xlm-roberta-base.

Модель размечает каждый токен морфологической категорией, определяет лемму и полный набор морфологических признаков. На тесте кыргызского корпуса UD с эталонной токенизацией точность полного совпадения составила 79,44% для всех тегов и 87,96% для лемм. Чекпойнт обучен на кыргызском корпусе Universal Dependencies объёмом около 98 тысяч токенов.

Модель не предсказывает синтаксические связи и обучена на новостных, веб- и литературных текстах, поэтому на других жанрах качество может быть ниже. Контекстные представления для предложений длиннее 512 XLM-R субтокенов обрезаются. Лицензия репозитория указана как other; корпус обучения распространяется по CC BY-SA 4.0, что само по себе не определяет лицензию весов.

Сценарии применения

  • морфологическая разметка кыргызского текста
  • определение частей речи в кыргызских предложениях
  • лемматизация кыргызских слов
  • извлечение морфологических признаков по Universal Dependencies
  • подготовка кыргызского корпуса для лингвистического анализа

Ограничения

Модель не предсказывает синтаксические связи; качество может снижаться на текстах вне новостного, веб- и литературного жанров. Для предложений длиннее 512 XLM-R субтокенов контекстные представления обрезаются.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kyrgyz Morphological Tagger — released checkpoint

The seed-42 checkpoint of a morphological tagger for Kyrgyz: it predicts UPOS, a Kyrgyz-specific XPOS, the lemma, and the full Universal Dependencies feature bundle for every token. Syntax (HEAD/DEPREL) is not predicted.

This repository holds weights only. The code that runs them is on PyPI:

pip install kyrgyz-morph-tagger
from kyrgyz_morph_tagger import Tagger

tagger = Tagger.load()          # fetches this checkpoint
for sentence in tagger.tag("Мектептерибизден эрте келдик."):
    for token in sentence:
        print(token.form, token.lemma, token.upos, token.feats_string)
Мектептерибизден  Мектептер  NOUN   Case=Abl|Number=Plur|Poss=Yes
эрте              эрте       ADV    _
келдик            кел        VERB   Mood=Ind|Number=Plur|Person=1|Polarity=Pos|Tense=Past|Voice=Act
.                 .          PUNCT  _

Architecture

A faithful PyTorch re-implementation of UDPipe 2: per word, a character-level BiGRU, a trainable word embedding, and frozen contextual embeddings from xlm-roberta-base (mean of the last four layers, mean subword pooling) feed a 2-layer BiLSTM, with four classification heads — UPOS, XPOS, a lemma edit-rule, and a monolithic FEATS label.

The encoder is frozen, so at inference the package also downloads xlm-roberta-base through transformers. No architectural novelty is claimed: this is a strong, reproducible baseline for the companion corpus.

Accuracy

Test set of the Kyrgyz UD corpus (425 sentences), exact match, gold tokenization:

UPOSXPOSUFeatsAllTagsLemmas
This checkpoint (seed 42)93.9092.6381.2579.4487.96
Mean ± std over 4 seeds93.80 ±0.1292.53 ±0.1380.96 ±0.3379.19 ±0.4088.06 ±0.14

UFeats is exact-set match of the whole feature bundle; a single wrong feature invalidates the token. That is the honest measure of full morphological analysis in an agglutinative language, and it is why UFeats (81) sits well below UPOS (94).

Under the same exact-match metric, three frontier LLMs given the same tagging scheme in the prompt reach UFeats 58–60 zero-shot, against this tagger's 79.6 on the same subsample.

Training data

The Kyrgyz UD treebank — 8,485 sentences (~98k tokens) with manually annotated gold morphology, split 90/5/5. The corpus is CC BY-SA 4.0 and builds on UD_Kyrgyz-KTMU and UD_Kyrgyz-TueCL.

Licence

These weights are released under the PolyForm Noncommercial 1.0.0 licence: free for research, teaching, personal use and noncommercial organisations. Commercial use requires a separate licence from the licensor. This is not an OSI-approved open-source licence.

The training corpus is licensed separately (CC BY-SA 4.0) and is not covered by this licence.

Limitations

  • Morphology only — no syntax.
  • Trained on news, web and literary text; other domains will be weaker.
  • Raw-text input goes through a rule-based tokenizer (token F1 99.3, 95.3 % of sentences exactly right on the test set). If you already have tokens, use tag_pretokenized() to keep the tokenizer out of the loop.
  • Sentences longer than 512 XLM-R subwords lose contextual embeddings for the overflow; the package warns when this happens.

Links

Как запустить

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

GPU в ailist

Универсальный рантайм · kyrgyz-morph-tagger · token-classification

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
418988a

0 моделей