/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
55,6 ГБ
Лицензия
Своя лицензия
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Библиотека
transformers
Опубликована
10 сен 2026

Qwen3.8-27B-Satoori-KO

Генерация текстаТекст → текст3 профессии

Дообученная на реальных корпусах корейских диалектов модель для преобразования фраз между стандартным корейским и пятью региональными вариантами, а также определения региона диалекта.

508скачиваний за 30 дней0лайковвеса обновлены2 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.

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

Qwen3.8-27B-Satoori-KO — модель преобразования корейских региональных диалектов, созданная ThakiCloud на базе Qwen/Qwen3.8-27B дообучением на реальных корпусах корейской диалектной речи. Она охватывает пять регионов: Канвондо, Кёнсандо, Чолладо, Чхунчхон и Чеджу, и предназначена для одношаговых преобразований и классификации текста.

Модель преобразует фразу на диалекте в стандартный корейский, определяет регион диалекта и переводит стандартную корейскую фразу в указанный диалект. В оценке KoDialectBench v0 показала chrF 80,1 и точность идентификации региона 79,4%; инструкции запроса рекомендуется формулировать по шаблонам обучения. Модель обучалась на транскрибированном тексте и не обрабатывает аудио.

Это не модель для свободного диалога: способность поддерживать естественную беседу не обучалась и не оценивалась. Вне обучающих регистров, особенно в формальном клиентском обслуживании, преобразование может игнорировать запрошенный регион; оценки на шести самостоятельно составленных примерах являются демонстрационными. Карточка указывает лицензию «other» и отмечает, что веса являются производной работой на основе AI Hub корпусов, тогда как исходные и производные данные в репозитории не распространяются.

Сценарии применения

  • Преобразование фразы на корейском диалекте в стандартный корейский
  • Определение региона по корейской диалектной фразе
  • Перевод стандартной корейской фразы в диалект Канвондо
  • Перевод стандартной корейской фразы в диалект Кёнсандо
  • Перевод стандартной корейской фразы в диалект Чолладо, Чхунчхон или Чеджу

Ограничения

Модель обучалась на транскрибированном тексте, поэтому не принимает аудио и не содержит информации о произношении; свободный диалог на диалекте не обучался и не оценивался. На формальных текстах может не различать запрошенные региональные варианты; карточка также предупреждает, что измерение диалектности основано на ограниченном словаре маркеров.

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

Qwen3.8-27B-Satoori-KO

A Korean regional dialect transformation model covering five regions: Gangwon, Gyeongsang, Jeolla, Chungcheong, and Jeju. Trained directly on real dialect corpora, it serves as the real-data reference arm against which our synthetic-data counterpart is measured. It is a reference, not a ceiling: on a coupled marker metric the synthetic arm scores above it, which we show is a measurement artifact rather than better dialect.

Read it together with the synthetic sibling, Qwen3.8-27B-Satoori-KO-Synth, which was trained without a single character of the source text.

⛔ This is not a conversational model. All training data is single-turn transformation and classification, so the ability to hold a natural conversation in dialect was neither trained nor measured.

What it does

Three single-turn tasks, matching how it was trained.

TaskInputOutput
Comprehensiona dialect sentencethe standard-Korean equivalent
Identificationa dialect sentencewhich of the five regions it is
Generationa standard sentence + a target regionthe sentence in that dialect

Attribution (required notice)

This model was trained directly on the following corpora. Per the provider's terms, model weights are a derivative work and may be released, but the source data may not be redistributed with them.

  • Korean dialect speech data (Gangwon 118, Gyeongsang 119, Jeolla 120, Jeju 121, Chungcheong 122)
  • Korean dialect speech data, middle-aged and elderly speakers (71517, 71558)
  • Source: AI Hub (https://aihub.or.kr)

⛔ This repository contains no source data and no derived data (including any dialect-to-standard correspondence lexicon). Weights only.

Performance

KoDialectBench v0, median of three repeats, identical serving configuration across arms. temperature=0 is not deterministic, which is why every figure is a median rather than a single run.

TaskMetricbasethis modelsynthetic sibling
ComprehensionchrF50.780.169.4
Comprehensionexact match %2.224.711.6
Identificationaccuracy %24.779.474.6
Generationdialectness0.0340.1410.133
Generationregion match0.1030.5930.688
GenerationADI20.0120.1070.111
Generationmeaning-preservation chrF68.775.879.5

Per region, identification accuracy: Gangwon 82.5%, and the remaining four regions are reported in the benchmark repository.

Limitations

The dialectness metric is a lower bound. It counts words matching a mined marker lexicon, so dialect phenomena outside that lexicon (prosody, word order, discourse markers) are invisible to it. A low score means "few markers", not "not dialect".

Transcribed text only. Training data is transcription, so the model has never seen audio and carries none of the pronunciation-level information a speech model would.

One training run per arm. Each arm was trained with a single seed, so a small gap between arms is not yet distinguishable from training noise. A seed repeat is in progress.

One base model. Measured only on Qwen3.8-27B; whether these results hold at other scales is unverified.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

REPO = "ThakiCloud/Qwen3.8-27B-Satoori-KO"
tok = AutoTokenizer.from_pretrained(REPO)
m = AutoModelForCausalLM.from_pretrained(REPO, dtype=torch.bfloat16, device_map="cuda")

SYS = "너는 한국어 전문가다. 요청한 것만 정확히 답하고 설명·머리말·따옴표를 붙이지 않는다."

def ask(user, max_new=96):
    msgs = [{"role": "system", "content": SYS}, {"role": "user", "content": user}]
    enc = tok.apply_chat_template(msgs, add_generation_prompt=True,
                                  return_tensors="pt", enable_thinking=False)
    ids = (enc["input_ids"] if hasattr(enc, "keys") else enc)
    ids = (ids if ids.dim() > 1 else ids.unsqueeze(0)).to(m.device)
    out = m.generate(input_ids=ids, max_new_tokens=max_new, do_sample=False,
                     pad_token_id=tok.eos_token_id)
    return tok.decode(out[0][ids.shape[-1]:], skip_special_tokens=True).strip()

# Generation: standard -> dialect
ask("다음 표준어 문장을 경상도 방언으로 바꿔라. 뜻은 그대로 두고 말투만 바꾼다. "
    "바뀐 문장만 출력한다.\n\n어제 비가 많이 와서 길이 다 젖었더라")

# Comprehension: dialect -> standard
ask("다음 방언 문장을 표준어로 바꿔라. 바뀐 문장만 출력한다.\n\n어제 비가 마이 와가꼬 길이 다 젖었더라")

# Identification
ask("다음 문장이 어느 지역 방언인지 하나만 고른다. 지역 이름만 출력한다.\n"
    "보기: 강원도 / 경상도 / 전라도 / 제주도 / 충청도\n\n어제 비가 하영 와가주 길이 다 젖었더라", 16)

Prompt wording matters: these are the exact instruction templates the model was trained on. Rephrasing them degrades output.

Measured on out-of-domain register

The benchmark draws from the same conversational corpora the real-data arm trained on. To see what happens outside that, we wrote six sentences ourselves (customer service, public notice, tourism, drama dialogue, game NPC, everyday speech) and ran both models over all five regions.

real-data modelsynthetic model
Region differentiation (5 regions give 5 distinct outputs)77%97%
Round-trip exact recovery93%83%
Correctly identifies its own generated dialect40%63%

⛔ The real-data model collapsed on formal customer-service register: for "주문하신 상품은 내일 오후에 도착할 예정입니다" it returned the identical sentence for all five regions, ignoring the requested region entirely. The synthetic model, whose source sentences were model-generated across a wider register range, kept the regions apart.

⛔ Differentiating is not the same as differentiating correctly: the synthetic model produced a Jeju ending for a Jeolla request. And both models identify their own output poorly.

⛔ Six scenes, one greedy run. This is a demonstration, not a benchmark — do not rank the two models on these numbers.

Benchmark

https://huggingface.co/datasets/ThakiCloud/kodialectbench


한국어 사투리 변환 모델입니다. 강원·경상·전라·충청·제주 5개 권역을 다루며, 실제 방언 말뭉치로 직접 학습해 성능 상한선 역할을 합니다. 원문을 한 글자도 쓰지 않은 합성 학습 모델 (Synth)과 짝으로 읽으십시오.

⛔ 대화 모델이 아닙니다. 학습 데이터가 전부 단일턴 변환·분류라, 사투리로 자연스럽게 대화하는 능력은 학습된 적도 측정된 적도 없습니다.

출처(필수 고지): 한국어 방언 발화 데이터(강원 118 · 경상 119 · 전라 120 · 제주 121 · 충청 122), 중·노년층 한국어 방언 발화 데이터(71517 · 71558). 출처: AI 허브 (https://aihub.or.kr). ⛔ 이 저장소에는 원본 데이터도, 재가공 데이터(방언형·표준어형 대응 사전 포함)도 들어 있지 않습니다. 가중치만 배포합니다.

성능(KoDialectBench v0, 3회 중앙값): 이해 chrF 80.1 · 완전일치 24.7% · 권역식별 79.4% · 방언성 0.141 · 권역일치 0.593 · ADI2 0.107.

한계: 방언성 지표는 마커 어휘 기반이라 하한값입니다. 전사 텍스트만 학습해 발음 정보가 없습니다. 팔당 학습 1회라 작은 차이는 아직 학습 잡음과 구분되지 않습니다.

Paper

Metric-Construction Coupling Inflates Measured Synthetic Dialect Recovery — arXiv:2610.00164

This checkpoint is the real-data arm that every recovery ratio in the paper is measured against — the synthetic arm's gain is reported as a fraction of this arm's gain over the base model. The paper also introduces the benchmark these cards score on, KoDialectBench (1,000 items · 5 regions · 3 axes). Read the numbers here as one arm of a two-arm comparison rather than as a standalone result. Synthetic arm: Qwen3.8-27B-Satoori-KO-Synth.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
4093feb

0 моделей