/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
stanza
Опубликована
10 июл 2026

kabyle-stanza-tokenizer

Разметка токеновТекст → label

Модель Stanza для сегментации предложений и токенизации текстов на кабильском языке.

0скачиваний за 30 дней0лайковвеса обновлены10 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

Kabyle Stanza Tokenizer — модель сегментации предложений и токенизации для кабильского языка (Taqbaylit), разработанная для использования со Stanza. Она обучена на корпусе Tatoeba и предназначена для предварительной обработки текстов, в том числе в конвейере MiniSBD. Архитектура включает CNN и двунаправленную LSTM; доступны контрольная точка PyTorch и модель ONNX. Модель обрабатывает кабильский текст латиницей, включая специфические символы ɛ, ɣ, ṭ, ḍ, č и ǧ, а также стандартную пунктуацию.

Модель подходит для разделения текста на предложения и получения последовательностей токенов для последующего анализа. Репозиторий распространяется по лицензии Apache-2.0. Указанная задача Hugging Face — token-classification.

Сценарии применения

  • разделение кабильского текста на предложения
  • токенизация кабильских текстов перед NLP-анализом
  • подготовка кабильских примеров для конвейера MiniSBD

Ограничения

Обучена на корпусе Tatoeba и рассчитана на кабильский язык; качество на других языках и текстах вне её целевого применения не установлено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kabyle Stanza Tokenizer

Sentence tokenizer for Kabyle (Taqbaylit) language, trained on Tatoeba corpus designed to be used on MiniSBD.

Model Details

PropertyValue
LanguageKabyle (kab)
TypeSentence tokenizer
ArchitectureCNN + BiLSTM
Training dataTatoeba Kabyle sentences (~789K sentences)
Dev F199.19%
Token F199.96%
Sentence F198.43%
ONNX size0.62 MB
Vocab size223 characters

Files

  • kab.onnx — ONNX runtime model
  • kab.pt — PyTorch checkpoint
  • vocab.json — Character vocabulary (223 entries)
  • config.json — Model hyperparameters
  • tokenizer_config.json — HF tokenizer config

Usage

With Stanza (PyTorch)

import stanza
nlp = stanza.Pipeline(
    lang="kab", 
    processors="tokenize", 
    tokenize_model_path="kab.pt"
)
doc = nlp("Amcic ha-t-an deg uxxam-nneɣ. Teciḍ fell-as?")
for sent in doc.sentences:
    print(sent.text)
# Amcic ha-t-an deg uxxam-nneɣ.
# Teciḍ fell-as?

With ONNX Runtime

import onnxruntime as ort
import numpy as np

sess = ort.InferenceSession("kab_tokenizer.onnx")
# units: (batch, seq_len) int64 — char IDs from vocab.json
# features: (batch, seq_len, 5) float32 — Stanza features
units = np.zeros((1, 100), dtype=np.int64)
features = np.zeros((1, 100, 5), dtype=np.float32)
outputs = sess.run(None, {"units": units, "features": features})
# outputs[0] shape: (batch, seq_len, 3) — logits for B/I/O

Tokenization Examples

InputTokens
Ad tseddumt ɣer Taskriwt.['Ad', 'tseddumt', 'ɣer', 'Taskriwt', '.']
Aweḍ ɣer Tezmalt.['Aweḍ', 'ɣer', 'Tezmalt', '.']
Tettawḍem ɣer Kendira.['Tettawḍem', 'ɣer', 'Kendira', '.']
Efk-asen tizwal-nni.['Efk-asen', 'tizwal-nni', '.']
Melmi ara ad d-taɣeḍ lmitra?['Melmi', 'ara', 'ad', 'd-taɣeḍ', 'lmitra', '?']

Character Set

The tokenizer handles standard Kabyle Latin characters including:

  • ɛ / Ɛ (open e)
  • ɣ / Ɣ (voiced velar fricative)
  • ṭ, ḍ, č, ǧ (emphatic and palatal consonants)
  • Standard ASCII + punctuation

Citation

If you use this model, please cite:

License

Apache-2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · stanza

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
40478a8

0 моделей