/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
51,8 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
50M-2048-Emhotob
Библиотека
transformers
Опубликована
15 авг 2026

Tashkeel-50M

Генерация текстаТекст → текст3 профессии

Небольшая арабская LLaMA-модель для экспериментальной расстановки диакритических знаков в тексте.

131скачиваний за 30 дней1лайквеса обновлены15 авг 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

Tashkeel-50M — небольшая причинная языковая модель семейства LLaMA, разработанная Ahmed Samir и дообученная на арабском наборе Misraj/Sadeed_Tashkeela для расстановки диакритических знаков в тексте. Модель содержит 51,8 млн параметров, принимает вход в виде арабской инструкции с недиакритизированным текстом и генерирует его вариант с огласовками. Контекст — до 2048 токенов.

Модель рассчитана на быстрые и недорогие эксперименты, прототипирование, создание базовых решений и учебные демонстрации дообучения для преобразования последовательностей. В README приводится оценка на Misraj/SadeedDiac-25, однако метрики рассчитаны только для примеров с совпадающим числом слов: генерация часто обрывается, повторяет или вставляет слова, поэтому опубликованные значения оптимистичны. Для надёжной расстановки огласовок рекомендуется сохранять исходную последовательность слов с помощью ограничений декодирования или использовать более сильную модель. Это не универсальная чат-модель. Лицензия — Apache 2.0.

Сценарии применения

  • Расстановка огласовок в арабских предложениях
  • Прототипирование систем арабской диакритизации
  • Создание недорогого базового решения для огласовок
  • Учебная демонстрация дообучения причинной языковой модели для преобразования текста

Ограничения

Модель может обрывать, повторять или добавлять слова, поэтому приведённые метрики рассчитаны лишь на совпадающие по длине примеры и оптимистичны. Её качество ограничено небольшим размером, она не предназначена для общего диалога, а изменение формата промпта может ухудшить результат.

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

Tashkeel-50M

A ~50M parameter Arabic diacritization (تشكيل) model fine-tuned from oddadmix/50M-2048-Emhotob on Misraj/Sadeed_Tashkeela.

It is a small causal LM intended for fast, on-device / low-cost Arabic tashkeel experiments.

Model details

ArchitectureLLaMA-style (LlamaForCausalLM)
Parameters~50M
Context2048 tokens
Hidden size512
Layers12
Vocab size32,000
Precisionbfloat16
Base modeloddadmix/50M-2048-Emhotob
Training dataMisraj/Sadeed_Tashkeela (train split)

Prompt format

Training and inference use this prompt:

قم بتشكيل هذة الجمله : {undiacritized_text}

The model should continue with the diacritized Arabic text.

Quick start

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "ahmedsamirtarjama/Tashkeel-50M"
device = "cuda" if torch.cuda.is_available() else "cpu"

tok = AutoTokenizer.from_pretrained(model_id)
tok.padding_side = "left"
if tok.pad_token is None:
    tok.pad_token = tok.eos_token

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16 if device == "cuda" else torch.float32,
).to(device)
model.eval()

text = "اللغة العربية لغة جميلة"
prompt = f"قم بتشكيل هذة الجمله : {text}\n"
inputs = tok(prompt, return_tensors="pt").to(device)

with torch.inference_mode():
    out = model.generate(
        **inputs,
        max_new_tokens=256,
        do_sample=False,
        pad_token_id=tok.pad_token_id,
    )

print(tok.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))

Training

Full fine-tune (not LoRA) with Hugging Face Trainer:

HyperparameterValue
Epochs1
Learning rate3e-4
Schedulercosine
Warmup steps500
Batch size32
Max sequence length768 (longer examples dropped)
Lossnext-token LM loss on the diacritized target only (prompt tokens masked with -100)
Precisionbfloat16

Approximate training recipe:

<source prompt> + <diacritized target> + </s>

Evaluation

Evaluated on Misraj/SadeedDiac-25 with standard Morph/Total DER & WER (missing GT diacritics skipped).

Mapping used below: Total ≈ (CE) (with case endings), Morph ≈ (w/o CE) (without case endings). Hallucinations ≈ share of examples skipped due to word-count mismatch.

ModelDER (CE)WER (CE)DER (w/o CE)WER (w/o CE)Hallucinations
Claude-3-7-Sonnet1.394.670.772.310.82
Tashkeel-50M3.08*9.56*2.26*6.77*~99
GPT-43.865.273.8610.931.02
Gemini-Flash-2.03.197.992.385.501.17
Sadeed7.2913.745.269.927.19

*Tashkeel-50M DER/WER are computed only on examples where the prediction and reference have the same word count. Because most generations change length (truncation / repetition / insertions), they are skipped by the length-matching evaluator — hence the high hallucination rate. Treat the starred numbers as optimistic and not a full apples-to-apples comparison with systems that preserve word identity on nearly all examples.

For production tashkeel, prefer stronger constrained models or add decoding constraints that keep the undiacritized skeleton fixed.

Intended use

  • Research and prototyping for Arabic diacritization
  • Baseline for small / efficient tashkeel models
  • Educational demos of causal-LM fine-tuning for sequence transduction

Limitations

  • Small capacity (~50M); quality lags dedicated / large instruction models on hard classical Arabic
  • Causal generation can truncate, repeat, or insert words; DER/WER only apply when word counts match
  • Prompt is Arabic-instruction style; changing the prompt may degrade quality
  • Not a general-purpose chat model

Citation

If you use this model, please also cite the base model and dataset:

@misc{tashkeel50m,
  title        = {Tashkeel-50M},
  author       = {Ahmed Samir},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/ahmedsamirtarjama/Tashkeel-50M}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
6a73c88

0 моделей