/ Модель

Характеристики

Контекст
512 токенов
Параметры
162 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
bert-base-arabertv02
Библиотека
transformers
Опубликована
23 июн 2026

hadith-segmentation-bert

Разметка токеновТекст → label3 профессии

Дообученная арабская BERT-модель для разделения текста хадиса на цепочку передатчиков и основное высказывание.

32скачиваний за 30 дней1лайквеса обновлены1 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

SHK4K/hadith-segmentation-bert — дообученная SHK4K модель на базе AraBERTv0.2-base для разметки токенов в классических арабских хадисах. Она определяет границу между иснадом — цепочкой передатчиков — и матном, основным текстом высказывания, присваивая токенам метки начала и продолжения этих фрагментов.

Модель построена на архитектуре BERT и содержит 162,4 млн параметров. Она принимает текст на арабском языке, использует задачу классификации токенов и поддерживает контекст до 512 токенов. В README отмечено, что качество может зависеть от наличия диакритических знаков; для сложных случаев рекомендуется нормализовать текст перед обработкой.

Модель распространяется по лицензии MIT.

Сценарии применения

  • разметка иснада и матна в неразмеченном тексте хадиса
  • поиск границы между цепочкой передатчиков и текстом высказывания
  • подготовка арабских хадисов к структурированному анализу
  • автоматическая токенная разметка классических исламских текстов

Ограничения

Качество может зависеть от наличия и нормализации диакритических знаков. Максимальная длина контекста составляет 512 токенов.

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

Arabic Hadith Segmentation BERT (Sanad & Matn Parser)

This model is a fine-tuned version of AraBERT (aubmindlab/bert-base-arabertv02) optimized for structural token classification in classical Islamic texts. Its primary task is sequence labeling—specifically identifying and drawing the boundary between the Sanad (سند - the chain of narrators) and the Matn (متن - the actual prophetic saying or text) within a raw, unsegmented Hadith string.

Model Description

Classical Arabic prophetic texts lack native punctuation marks or structural delimiters to explicitly isolate who narrated a saying from the saying itself. This model treats boundary segmentation as a Named Entity Recognition (NER) / Token Classification task using custom-mapped IOB tags.

Given a sequence of words, the model classifies each token into one of the following category IDs:

  • 0: B-SANAD (Beginning of the Narrator Chain)
  • 1: I-SANAD (Inside the Narrator Chain)
  • 2: B-MATN (Beginning of the Core Saying)
  • 3: I-MATN (Inside the Core Saying)

Intended Uses & Limitations

How to Use

You can easily download and use this model directly in your Python projects using the Hugging Face transformers library.

import torch
from transformers import AutoTokenizer, AutoModelForTokenClassification

# 1. Load model and tokenizer directly from the Hub
model_name = "SHK4K/hadith-segmentation-bert"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForTokenClassification.from_pretrained(model_name)

# Set model to evaluation mode
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)
model.eval()

# ID mapping dict matching model configuration
id2label = {0: "B-SANAD", 1: "I-SANAD", 2: "B-MATN", 3: "I-MATN"}

# 2. Input your raw, unsegmented Hadith text
raw_hadith = 'حدثنا الحميدي عبد الله بن الزبير ، قال : حدثنا سفيان ، قال : حدثنا يحيى بن سعيد الأنصاري ، قال : أخبرني محمد بن إبراهيم التيمي ، أنه سمع علقمة بن وقاص الليثي ، يقول : سمعت عمر بن الخطاب رضي الله عنه على المنبر، قال : سمعت رسول الله صلى الله عليه وسلم، يقول : " إنما الأعمال بالنيات، وإنما لكل امرئ ما نوى، فمن كانت هجرته إلى دنيا يصيبها أو إلى امرأة ينكحها، فهجرته إلى ما هاجر إليه'

# Tokenize raw text string
inputs = tokenizer(raw_hadith, return_tensors="pt", truncation=True, max_length=512)
inputs = {k: v.to(device) for k, v in inputs.items()}

# 3. Predict Token Categories
with torch.no_grad():
    outputs = model(**inputs)

predictions = torch.argmax(outputs.logits, dim=-1)[0].cpu().tolist()
input_tokens = tokenizer.convert_ids_to_tokens(inputs["input_ids"][0])

# 4. Extract and Group Tokens based on Predicted Labels
sanad_tokens = []
matn_tokens = []

for token, pred_id in zip(input_tokens, predictions):
    if token in ["[CLS]", "[SEP]", "[PAD]"]:
        continue
    
    label = id2label.get(pred_id, "O")
    
    if "SANAD" in label:
        sanad_tokens.append(token)
    elif "MATN" in label:
        matn_tokens.append(token)

# Reconstruct clean component strings
final_sanad = tokenizer.convert_tokens_to_string(sanad_tokens)
final_matn = tokenizer.convert_tokens_to_string(matn_tokens)

print("--- Extracted Components ---")
print(f"SANAD: {final_sanad.strip()}\n")
print(f"MATN: {final_matn.strip()}")

Limitations & Biases

  • Vocalization (Harakat): Text performance might fluctuate slightly depending on whether your dataset utilizes full diacritics or completely normalized text. For extreme edge cases, it is recommended to apply text normalization (such as stripping excess tashkeel) prior to inference.
  • Length Constraints: The model is capped at a maximum sequence sequence context length of 512 subword tokens due to BERT base limitations.

Training Data & Methodology

  • Base Pretrained Architecture: aubmindlab/bert-base-arabertv02
  • Task: Token Classification (NER style Sequence Labeling)
  • Optimization Framework: Hugging Face Trainer API compiled with DataCollatorForTokenClassification for safe subword token label padding (ignore_index=-100).
  • Hyperparameters:
  • Learning Rate: 2e-5
  • Weight Decay: 0.01
  • Batch Size: 16
  • Training Epochs: 3

Technical Specifications & Requirements

To set up the development space or fine-tune this model further locally, ensure you have the following packages updated:

pip install torch transformers datasets accelerate

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForTokenClassification
Ревизия весов
187651b

0 моделей