/ Модель

Характеристики

Контекст
1 026 токенов
Параметры
369 млн
Лицензия
MIT
Архитектура
mbart · dense
Опубликована
19 июн 2026

Bhashaverse_base_updt_WMT2026

ПереводТекст → текст3 профессии

Производная модели ltrciiith/bhashaverse. OneNMT v3b — мультиязычная seq2seq-модель для перевода между индийскими языками и английским.

11скачиваний за 30 дней0лайковвеса обновлены19 июн 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

Карточка модели VIzzxy/Bhashaverse_base_updt_WMT2026 на Hugging Face совпадает с карточкой ltrciiith/bhashaverse, поэтому описание составлено по ней.

OneNMT v3b — мультиязычная модель машинного перевода, представленная в репозитории ltrciiith/bhashaverse. Она использует архитектуру seq2seq на основе Transformer с 18 слоями энкодера и 18 слоями декодера и обёрткой MBartForConditionalGeneration. README заявляет поддержку 36 × 36 языковых пар для 35 индийских языков и английского; метаданные указывают 369 млн параметров и контекст до 1026 токенов.

Модель предназначена для перевода между поддерживаемыми индийскими языками и английским. Для токенизации требуется предоставленный в репозитории fairseq-словарь и рекомендованный скрипт или обёртка: стандартный токенизатор MBart может сопоставлять токены с неверными ID и давать некорректный результат. Модельные веса опубликованы в формате safetensors, лицензия — MIT.

Сценарии применения

  • перевод с английского на индийские языки
  • перевод между поддерживаемыми индийскими языками
  • перевод текстов на хинди, телугу и другие языки семейства
  • создание мультиязычного машинного перевода для приложений

Ограничения

Для корректного вывода необходимо использовать пользовательский fairseq-словарь и рекомендованный способ инференса; стандартный токенизатор MBart может привести к ошибочным идентификаторам токенов и нечитаемому результату. README и метаданные расходятся в размере модели: README заявляет 1,1 млрд параметров, метаданные — 369 млн.

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

OneNMT v3b — Indic Multilingual Neural Machine Translation

OneNMT v3b is a 1.1B parameter multilingual seq2seq translation model supporting 36 × 36 language pairs across 35 Indian languages and English. It is based on a deep transformer_18_18 architecture (18 encoder + 18 decoder layers) trained with fairseq and converted to the HuggingFace MBart format.

⚠️ Tokenization Warning: OneNMT v3b uses a custom fairseq dictionary (fairseq_dict.json) for token ID mapping. Using AutoTokenizer or any standard MBart tokenizer will produce wrong IDs and garbled output. Always use the provided hf_inference.py or the translate_onemt() wrapper.


Architecture

PropertyValue
Architecturetransformer_18_18 (MBartForConditionalGeneration wrapper)
Encoder / Decoder layers18 + 18
Hidden size1024
Attention heads16
Parameters~1.1B
Positional embeddingsSinusoidal (not learned), max 256 positions
NormalizationPre-norm (normalize_before=True)
Vocabulary65,400 tokens (fairseq dictionary ordering)
Language tag format###src_flores-to-tgt_flores### {text}
Decoder start tokenEOS (id=2) — fairseq convention

Supported Languages

Short CodeLanguageScriptFLORES-200 Code
engEnglishLatineng_Latn
hinHindiDevanagarihin_Deva
telTeluguTelugutel_Telu
tamTamilTamiltam_Taml
malMalayalamMalayalammal_Mlym
kanKannadaKannadakan_Knda
benBengaliBengaliben_Beng
gujGujaratiGujaratiguj_Gujr
marMarathiDevanagarimar_Deva
panPunjabiGurmukhipan_Guru
urdUrduArabicurd_Arab
asmAssameseBengaliasm_Beng
npiNepaliDevanagarinpi_Deva
oryOdiaOdiaory_Orya
sanSanskritDevanagarisan_Deva
maiMaithiliDevanagarimai_Deva
brxBodoDevanagaribrx_Deva
doiDogriDevanagaridoi_Deva
gomKonkaniDevanagarigom_Deva
mniMeiteiBengalimni_Beng
satSantaliOl Chikisat_Olck
kasKashmiriArabickas_Arab
sndSindhiArabicsnd_Arab

Installation

pip install -r requirements.txt

Quick Start

from hf_inference import translate_onemt, translate_batch

# Single sentence — English → Telugu
print(translate_onemt("Hello, how are you?", "eng", "tel"))
# హలో, మీరు ఎలా ఉన్నారు?

# Code-mixed Hindi → Telugu
print(translate_onemt("मुझे meeting attend करनी है।", "hin", "tel"))
# నాకు మీటింగ్‌కు హాజరు కావాలి.

# Telugu → English
print(translate_onemt("నమస్కారం, మీరు ఎలా ఉన్నారు?", "tel", "eng"))
# Hello, how are you?

# Tamil → Hindi
print(translate_onemt("இன்று வானிலை நன்றாக உள்ளது.", "tam", "hin"))
# आज मौसम अच्छा है।

# Batch translation
sentences = ["Good morning.", "Thank you.", "See you tomorrow."]
results   = translate_batch(sentences, sl="eng", tl="hin", batch_size=32)
for src, tgt in zip(sentences, results):
    print(f"{src}  →  {tgt}")

How Tokenization Works

Unlike standard MBart, OneNMT v3b uses a two-step tokenization pipeline:

source text
  → prepend language tag:   ###eng_Latn-to-tel_Telu### {text}
  → SentencePiece encoding  →  subword pieces
  → fairseq dict lookup     →  integer IDs   ← NOT SPM-native IDs
  → MBart encoder

The fairseq dictionary orders tokens by training frequency (descending), not SPM's internal ordering. This means the same subword piece maps to completely different IDs in the two systems — for example, T is ID 29 in the fairseq dict but ID 35376 via the HF tokenizer. Wrong IDs → wrong embeddings → garbled output.

The hf_inference.py script handles this correctly using onemtv3b_spm.model for segmentation and fairseq_dict.json for ID lookup.


Repository Files

FileDescription
model.safetensorsModel weights
config.jsonHF model architecture config
generation_config.jsonDefault generation parameters
fairseq_dict.jsonRequired — fairseq vocab ID mapping (piece → ID)
onemtv3b_spm.modelRequired — SentencePiece model for subword segmentation
hf_inference.pyReady-to-use inference script

tokenizer.json, tokenizer_config.json, special_tokens_map.json are present for HF Hub format compliance but must not be used for inference — they produce incorrect token IDs due to the SPM vs fairseq ordering mismatch described above.


Generation Parameters

ParameterValueNotes
decoder_start_token_id2EOS token — fairseq convention (not BOS)
forced_bos_token_idNoneNo forced BOS
num_beams5Beam search
max_new_tokens256Matches model's trained max position
no_repeat_ngram_size3Reduces repetition
repetition_penalty1.3Additional repetition control

Citation

@misc{mujadia2025bhashaversetranslationecosystem,
      title={BhashaVerse : Translation Ecosystem for Indian Subcontinent Languages}, 
      author={Vandan Mujadia and Dipti Misra Sharma},
      year={2025},
      eprint={2412.04351},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2412.04351}, 
}

License

MIT

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели fairseq требуют отдельного рантайма.

Класс архитектуры
MBartForConditionalGeneration
Ревизия весов
da3a3bd

0 моделей